6 نوع تجزیه و تحلیل داده ها

انواع مختلف تجزیه و تحلیل داده ها شامل توصیفی ، اکتشافی ، استنباطی ، پیش بینی کننده ، علی و مکانیکی است. این چیزی است که شما باید در مورد هر یک بدانید.

بندیکت نئو دستیار تحقیقات کارشناسی در دانشگاه ایالتی آیووا است و در زمینه علوم و آمار کامپیوتر تجربه دارد. وی پیش از این به عنوان کارآموز علوم داده برای تسلا کار کرده است.

تجزیه و تحلیل داده ها جنبه ای از علم داده است که همه چیز در مورد تجزیه و تحلیل داده ها برای انواع مختلف است. این شامل بازرسی ، تمیز کردن ، تبدیل و مدل سازی داده ها برای جلب بینش مفید از آن است.

انواع مختلف تجزیه و تحلیل داده ها چیست؟

1. تجزیه و تحلیل توصیفی
2. تجزیه و تحلیل اکتشافی
3. تجزیه و تحلیل استنباطی
4. تجزیه و تحلیل پیش بینی کننده
5. تجزیه و تحلیل علی
6. تجزیه و تحلیل مکانیکی

با استفاده از جنبه ها ، روش ها و تکنیک های متعدد آن ، از تجزیه و تحلیل داده ها در زمینه های مختلف از جمله - تجارت ، علوم و علوم اجتماعی استفاده می شود. از آنجا که مشاغل تحت تأثیر بسیاری از پیشرفت های تکنولوژیکی رشد می کنند ، تجزیه و تحلیل داده ها نقش مهمی در تصمیم گیری دارد ، یک سیستم بهتر ، سریعتر و کارآمدتر را فراهم می کند که خطرات را به حداقل می رساند و تعصبات انسانی را کاهش می دهد.

گفته می شود ، انواع مختلفی از تجزیه و تحلیل با اهداف مختلف وجود دارد. ما هرکدام را در زیر بررسی خواهیم کرد.

دو اردوگاه تجزیه و تحلیل داده ها

با توجه به کتاب R برای علوم داده: تجزیه و تحلیل داده ها را می توان به دو اردوگاه تقسیم کرد:

1. تولید فرضیه - این شامل نگاه عمیق به داده ها و ترکیب دانش دامنه شما برای تولید فرضیه هایی در مورد اینکه چرا داده ها رفتار می کنند.
2. تأیید فرضیه - این شامل استفاده از یک مدل ریاضی دقیق برای ایجاد پیش بینی های جعلی با پیچیدگی آماری برای تأیید فرضیه های قبلی شما است.

انواع تجزیه و تحلیل داده ها

تجزیه و تحلیل داده ها را می توان از هم جدا و سازماندهی کرد ، که به ترتیب فزاینده ای از پیچیدگی ترتیب داده می شوند.

1. تجزیه و تحلیل توصیفی
2. تجزیه و تحلیل اکتشافی
3. تجزیه و تحلیل استنباطی
4. تجزیه و تحلیل پیش بینی کننده
5. تجزیه و تحلیل علی
6. تجزیه و تحلیل مکانیکی

1. تجزیه و تحلیل توصیفی

هدف از تجزیه و تحلیل توصیفی توصیف یا خلاصه کردن مجموعه ای از داده ها است. این چیزی است که شما باید بدانید:

• تجزیه و تحلیل توصیفی اولین تجزیه و تحلیل انجام شده است.
• این خلاصه های ساده در مورد نمونه ها و اندازه گیری ها ایجاد می کند.
• این شامل آمار متداول و توصیفی مانند اقدامات گرایش مرکزی ، تغییرپذیری ، فرکانس و موقعیت است.

مثال تجزیه و تحلیل توصیفی

به عنوان مثال از صفحه آمار Covid-19 در Google استفاده کنید. نمودار خط خلاصه ای از موارد/مرگ و میر ، ارائه و توصیف جمعیت یک کشور خاص آلوده به ویروس است.

تجزیه و تحلیل توصیفی اولین گام در تجزیه و تحلیل است که در آن داده های مورد استفاده شما با استفاده از آمار توصیفی را خلاصه و توصیف می کنید ، و نتیجه یک ارائه ساده از داده های شما است.

2. تجزیه و تحلیل اکتشافی (EDA)

تجزیه و تحلیل اکتشافی شامل بررسی یا بررسی داده ها و یافتن روابط بین متغیرهایی است که قبلاً ناشناخته بودند. این چیزی است که شما باید بدانید:

• EDA به شما کمک می کند تا روابط بین اقدامات موجود در داده های خود را کشف کنید ، که شواهدی برای وجود همبستگی نیست ، همانطور که توسط این عبارت مشخص شده است ، "همبستگی دلالت بر علیت ندارد."
• برای کشف اتصالات جدید و تشکیل فرضیه ها مفید است. این برنامه ریزی و جمع آوری داده ها را هدایت می کند.

مثال تجزیه و تحلیل اکتشافی

تغییر آب و هوا موضوعی مهم است زیرا دمای جهانی به تدریج طی سالها افزایش می یابد. یک نمونه از تجزیه و تحلیل داده های اکتشافی در مورد تغییرات آب و هوا شامل افزایش دما در طی سالهای 1950 تا 2020 و افزایش فعالیت های انسانی و صنعتی شدن برای یافتن روابط از داده ها است. به عنوان مثال ، شما ممکن است تعداد کارخانه ها ، اتومبیل های موجود در جاده و پرواز هواپیما را افزایش دهید تا ببینید که چگونه با افزایش دما ارتباط دارد.

تجزیه و تحلیل اکتشافی داده ها را برای یافتن روابط بین اقدامات بدون شناسایی علت بررسی می کند. این در هنگام تدوین فرضیه ها بسیار مفید است.

3. تجزیه و تحلیل استنباطی

تجزیه و تحلیل استنباطی شامل استفاده از یک نمونه کوچک از داده ها برای استنباط اطلاعات در مورد جمعیت بیشتری از داده ها است.

هدف از مدل سازی آماری خود همه چیز در مورد استفاده از مقدار کمی از اطلاعات برای برون یابی و تعمیم اطلاعات به یک گروه بزرگتر است. این چیزی است که شما باید بدانید:

• تجزیه و تحلیل استنباطی شامل استفاده از داده های برآورد شده است که نماینده یک جمعیت است و اندازه گیری عدم اطمینان یا انحراف استاندارد به تخمین شما را ارائه می دهد.
• صحت استنباط به طرح نمونه گیری شما بستگی دارد. اگر نمونه نماینده جمعیت نباشد ، تعمیم نادرست خواهد بود. این به عنوان قضیه حد اصلی شناخته می شود.

مثال تجزیه و تحلیل استنباطی

ایده ترسیم استنباط در مورد جمعیت در کل با اندازه نمونه کوچکتر بصری است. بسیاری از آمار که در رسانه ها و اینترنت می بینید استنباطی است. پیش بینی یک رویداد بر اساس یک نمونه کوچک. به عنوان مثال ، یک مطالعه روانشناختی در مورد مزایای خواب ممکن است در مجموع 500 نفر درگیر باشد. هنگامی که آنها با نامزدها پیگیری کردند ، نامزدها گزارش دادند که دارای توجه کلی و بهزیستی با هفت تا نه ساعت خواب هستند ، در حالی که کسانی که خواب کمتری دارند و خواب کمتری نسبت به دامنه داده شده از محدودیت های توجه و انرژی رنج می برندواداین مطالعه از 500 نفر فقط بخش کوچکی از 7 میلیارد نفر در جهان بود و بنابراین استنباط جمعیت بزرگتر است.

تجزیه و تحلیل استنباطی اطلاعات گروه بزرگتر را با یک نمونه کوچکتر برای تولید تجزیه و تحلیل و پیش بینی ها استخراج و تعمیم می دهد.

4- تجزیه و تحلیل پیش بینی کننده

تجزیه و تحلیل پیش بینی شامل استفاده از داده های تاریخی یا فعلی برای یافتن الگوهای و پیش بینی در مورد آینده است. این چیزی است که شما باید بدانید:

• دقت پیش بینی ها به متغیرهای ورودی بستگی دارد.
• دقت همچنین به انواع مدل ها بستگی دارد. یک مدل خطی ممکن است در بعضی موارد خوب کار کند و در موارد دیگر ممکن است.
• استفاده از متغیر برای پیش بینی دیگری ، رابطه علی را نشان نمی دهد.

تجزیه و تحلیل پیش بینی کننده

انتخابات سال 2020 یک موضوع محبوب است و بسیاری از مدل های پیش بینی برای پیش بینی نامزد برنده ساخته شده اند. FiveThirtyeight این کار را برای پیش بینی انتخابات 2016 و 2020 انجام داد. تجزیه و تحلیل پیش بینی برای انتخابات به متغیرهای ورودی مانند داده های رای گیری تاریخی ، روندها و داده های رای گیری فعلی برای بازگشت یک پیش بینی خوب نیاز دارد. چیزی به اندازه انتخابات فقط از یک مدل خطی استفاده نمی کند ، بلکه یک مدل پیچیده با تنظیمات خاص برای بهترین خدمت به هدف خود است.

تجزیه و تحلیل پیش بینی شده از گذشته و حال داده ها را می گیرد تا پیش بینی های مربوط به آینده را انجام دهد.

5- تجزیه و تحلیل علی

تجزیه و تحلیل علی به علت و تأثیر روابط بین متغیرها نگاه می کند و در یافتن علت یک همبستگی متمرکز است. این چیزی است که شما باید بدانید:

• برای یافتن علت ، باید این سؤال را مطرح کنید که آیا همبستگی های مشاهده شده نتیجه گیری شما معتبر است یا خیر. فقط نگاه کردن به داده های سطح به شما کمک نمی کند مکانیسم های پنهان اساسی همبستگی ها را کشف کنید.
• تجزیه و تحلیل علی در مطالعات تصادفی متمرکز بر شناسایی علیت استفاده می شود.
• تجزیه و تحلیل علی استاندارد طلا در تجزیه و تحلیل داده ها و مطالعات علمی است که در آن علت پدیده استخراج و جدا شده است ، مانند جدا کردن گندم از چاف.
• یافتن داده های خوب دشوار است و نیاز به تحقیقات و مطالعات گران قیمت دارد. این مطالعات در کل (چندین گروه) مورد تجزیه و تحلیل قرار می گیرد و روابط مشاهده شده فقط اثرات متوسط (میانگین) کل جمعیت است. این بدان معنی است که نتایج ممکن است برای همه صدق نکند.

مثال تجزیه و تحلیل علی

بگویید می خواهید آزمایش کنید که آیا یک داروی جدید قدرت و تمرکز انسان را بهبود می بخشد. برای انجام این کار ، شما آزمایشات کنترل تصادفی را برای دارو انجام می دهید تا اثر آن را آزمایش کنید. شما نمونه داوطلبان داروی جدید خود را در برابر نامزدهای دریافت کننده داروی کنترل مسخره از طریق چند آزمایش متمرکز بر قدرت و تمرکز و توجه کلی مقایسه می کنید. این به شما امکان می دهد تا چگونه این دارو بر نتیجه تأثیر بگذارد.

تجزیه و تحلیل علی در مورد یافتن رابطه علی بین متغیرها و بررسی چگونگی تغییر در یک متغیر بر دیگری است.

6. تجزیه و تحلیل مکانیکی

تجزیه و تحلیل مکانیکی برای درک تغییرات دقیق در متغیرهایی که منجر به تغییرات دیگر در متغیرهای دیگر می شود ، استفاده می شود. این چیزی است که شما باید بدانید:

• این در علوم فیزیکی یا مهندسی اعمال می شود ، موقعیت هایی که نیاز به دقت بالایی دارند و فضای کمی برای خطا دارند ، فقط نویز در داده ها خطای اندازه گیری است.
• این برای درک یک فرایند بیولوژیکی یا رفتاری ، پاتوفیزیولوژی یک بیماری یا مکانیسم عمل مداخله طراحی شده است.

مثال تجزیه و تحلیل مکانیکی

بسیاری از تحقیقات و مباحث پیچیده در سطح فارغ التحصیلان نمونه های مناسبی هستند ، اما برای گفتن ساده ، می گویند آزمایشی برای شبیه سازی همجوشی هسته ای ایمن و مؤثر برای تأمین انرژی جهان انجام می شود. تجزیه و تحلیل مکانیکی مطالعه مستلزم تعادل دقیق کنترل و دستکاری متغیرها با اقدامات بسیار دقیق از هر دو متغیر و نتایج مورد نظر است. این مودوس پیچیده و دقیق به سمت این موضوعات بزرگ است که امکان پیشرفت علمی و پیشرفت جامعه را فراهم می کند.

تجزیه و تحلیل مکانیکی از بعضی جهات یک تجزیه و تحلیل پیش بینی کننده است ، اما برای مقابله با مطالعاتی که نیاز به روشهای دقیق و دقیق و دقیق برای علم فیزیکی یا مهندسی دارند ، اصلاح شده است.