1.2　可視分析

新時期科學發展觀和工程實踐表明，智能數據分析所產生的知識與人類掌握的知識的差異是導致新知識被發現的根源。表達、分析與檢驗新知識需要充分利用人腦智能。并且，目前大多數自動數據分析方法對復雜、異構數據的模式和規律分析經常失效，具體表現在無法直接檢測出數據中蘊含的新模式、參數設置困難、無法產生“直覺”“聯想”等人類智能分析問題時的特有優勢等。人類的視覺識別能力和人腦的智能分析恰好可以輔助這些問題的解決。從數據和分析任務角度看，在解決實際問題時所遇到的數據通常是復雜且含有大量噪聲的，分析者需要以適合的方式進行干預和排除；在面對復雜、不確定或緊急任務時，自動數據分析方法的可信度、可解釋度問題都會影響任務處理的效果。因此可視化作為一種有效結合人腦智能和機器智能的方式，將“只可意會、不可言傳”的人類知識和個人經驗融入到整個數據分析和推理決策過程中。這一過程逐漸形成了可視分析這一交叉信息處理的新思路。2004年美國國土安全部為了應對恐怖襲擊成立了國家可視分析中心，2005年發布的“可視分析研究和發展規劃”報告全面闡述了可視分析的挑戰。2006年起，IEEE開設了可視分析方面的專門國際會議，歐洲可視化年會也從2010年起開始專門舉辦可視分析研討分會。

可視分析被定義為一門以可視交互界面為基礎的分析推理科學，它綜合了信息可視化、數據挖掘和人機交互等技術，以可視交互界面為通道，將人的感知和認知能力以視覺方式融入數據處理過程中，形成人腦智能和機器智能優勢互補和相互提升，建立螺旋式信息交流與知識提煉途徑，完成有效的分析推理和決策。圖1-1詮釋了可視分析學這一綜合性學科所包含的研究內容，其中包括與圖形相關的信息可視化、科學可視化和計算機圖形學，與數據分析相關的統計、機器學習、數據挖掘，以及人機方面的人機交互、認知科學等。

1.2.1　交互式可視分析框架描述

作為可視分析領域的奠基人，Daniel Keim等人提出了可視分析的基本框架（圖1-2），其分析過程由初步的數據處理開始。數據處理的目的是為了支持后續的可視化和自動分析任務，接下來數據將進入可視化方法或自動方法兩條分析路線。其中，自動分析方法主要使用統計或數據挖掘模型對數據進行建模，進而展現出數據中的特征和信息；可視化方法則支持用戶直接對數據進行查看、探索和分析。分析者根據當前分析任務和兩條分析路線所得出的結果，針對性地對自動方法中的模型參數或是可視化方法中的視覺映射進行修改，進而修正方法并輸出結果。這種根據兩種分析路線得出的結果進行修改，得到新的結果，并迭代式更新的方法，是可視分析基本框架的核心特征和優點。

1.2.2　可視分析的新方向

Ben Shneiderman描述了數據分析方法的目標階段，其中包括：

①描述事物屬性，解釋已有的發展過程；

②對未知事物及其發展進行預測；

③提出應對未來事物發展的指導性方針；

④提出新的想法，來改善前述三類目標中的方法。

其中，用于解決前三個分析目標的方法分別稱為描述性分析方法、預測性分析方法和指導性分析方法，而第四個階段則指向如何對前三類方法進行創新。圖1-3描述了三個分析階段的方法特點和能夠完成的任務。

作為一門分析學科，早期的可視分析工作主要集中在描述性分析階段，主要面向針對歷史已有數據的歸納、總結和展示。近五年來，隨著數據挖掘、機器學習等相關領域的蓬勃發展，大量可視分析方法開始引入預測性分析概念，支持對預測模型（如分類模型、回歸模型等）的參數調整、結果理解和知識提取等。指導性分析作為可視分析的下一個努力方向，其要點在于根據過去已有數據和對未來結果的預測，使用可視分析手段幫助分析者提出應對未來發展的指導性方針，即支持決策制訂。目前微軟Power BI和IBM Cognos Analytics已開始加入部分指導性可視分析功能。

后續章節將通過詳細闡述兩個描述性分析和簡要展示兩個預測性分析案例，來揭示可視分析方法在各個相關領域的應用。