数据的维度：数据包含的属性的数量。 多维度数据：拥有多个属性的数据。 三维数据局限性： 1、屏幕是二维的、三维散点图的点与点之间会遮挡； 2、从不同三维视角观察数据点会得到不同的分布。 高维数据：维度大于等于2的数据。 **高维数据在日常生活中的应用：**医疗数据、城市数据、体育数据、、、

高维数据变换——降维 方法：使用线性或非线性变换将高维数据投影到较低维子空间。 线性方法：主成分分析；多维度分析 非线性方法：等度量映射；局部线性嵌入 优点：消除冗余；减少被处理的数量；数据呈现方便。 缺点：数据丢失 应用：数据可视化；数据挖掘；模式识别

每个散点图所表示的数据是高维数据的两个属性； n维数据的散点图矩阵包括n乘n个图表； 对角线上放对应属性值得分布图。 散点图矩阵可以表现出属性之间的相关关系。 二维散点图的数量和维度的平方成一定比例。

坐标轴与平行坐标轴 平行坐标轴可以反映出属性间的相关关系。 但是对非相邻属性之间的关系的表现相对较弱。

特点 1、用图标表达多元数据对象 2、不同图标元素表示不同属性 3、星形图、切尔诺夫脸谱图 关键点 1、选择易于被感知的视觉元素 2、映射必须直观易懂

1、充分利用屏幕空间 2、每个像素点都表示数据点 3、利用密集、不同颜色像素表示数据 特点：效果极大依赖于颜色的使用

优点：展现数据不同类别不断细分下的分布规律 缺点：不能把详细的数据点可视化出来