Post

15. Information Visualization

Posted
By Mingyu An
8 min read
15. Information Visualization

Data Visualization

Scientific visualization

의학 시각화, 인체 단면 등 실제로 있는 무언가를 재현

Information Visualization

Abstract Data를 재현하고 그림. persona마다 다르게 시각화하는게 유리할 때가 있음

왜 굳이 External Representation?

  • data를 머리로 기억하면 한번에 7+- 2 개 밖에 working memory에 쓰지 못함.
  • 따라서, 직접 쓰면서 외부에 표현하면 working memory가 확장되는 효과가 있음

Why use visualization?

  • Senential vs Diagrammatic representation
    • Efficiency of search for information
    • Explicitness of information

→ diagrammatic에서는 정보들이 적절한 위치에 잘 써있다.

→ Diagram에서는 problem solving이 smooth traversal을 통해 진행될 수 있다.

(+ little search for computation of elements)

i.e. Pulley

Visualization reveals structures

ex. 추세선 그리기

평균, 표준편차, 분산으로는 서로 같은 값이 나와도 실제 값들의 관계는 전~혀 다를 수 있음.

통계적인 특성을 밝혀내는 데에 매우 유리하다.

Definition

The use of computer-supported, interactive, visual representations of abstract data to amplify cognition

Some historical infos…

최초의 시각화 차트 (아마도)

William Playfair - Invented line, bar, area and pie charts.

Charles Joseph Minard - 나폴레옹의 전투 기록, 여러가지 정보를 한눈에 아주 효과적으로 시각화 한 사례

1854 London Cholera Epidemic → 환자 발생지와 water source간 관계 파악

Rose-petal diagram → 병원 내 감염이 더 많다. 시간에 따라 줄어드는 것을 효과적으로 보임

Replative Perception

우리는 실제 값보다 주변의 상댓값에 영향을 받는다.

Expressiveness & Effectiveness

  • Expressiveness
    • Vis idiom should express all of and only the information in the dataset attributes
    • 새로운 정보를 추가하지도
    • 제거하지도 마라

‘길이’정보가 추가되어서 사람들에게 혼란. scatterplot 등이 더 적절하다.

  • Effectiveness
    • 가장 중요한 특성은 가장 효과적인 channel로 표현해야한다.

Dimension and power law

Steven’s Power Law

p: perceived magnitude, a: actual magnitude

\[p = ka^\alpha\] \[{p_1 \over p_2} = ({a_1 \over a_2})^\alpha\]

alpha값이 작을수록, 실제보다 더 작게 percieve. → 실제론 2배가 되었지만, 2^0.99 정도로 인식한다는 뜻

length는 1

area는 1보다 작고,

volume은 1보다 훨씬 작다. 실제로 2배를 해도 거의 똑같다고 느끼는듯.

⇒ 즉 비율 비교가 중요한 데이터는 line으로 비교해야 왜곡이 적겠지?

그래서 어떤 representation을 써야하는데

task에 따라 매우 다르다. (인지하는 사람에 따라서도!)

  1. 정확한 값을 보여줘야 한다 → 숫자
  2. peak에 비해 얼마인가 → bar와 피크 표시
  3. 시간에 따라 얼마나 변하는가 → line graph
  4. 내 것에서 어떤게 용량을 많이 차지하고 있는가 → Treemap. (비율 판단에 좋음) + hierarchy에도 좋아서 색깔로 추가 정보 줄 수 있다.

왜곡 발생.

Hidden peak을 발견하기 어렵다.

Weber’s Law

Position Perception > Length perception이라 바로 파악하기가 어렵다.

\[{\Delta S \over S} =k(constant)\]

차이를 인식하는 능력은 절대적인 차이가 아니라 비율에 달려 있습니다.

Preattentive Processing

Cognitive processing done pre-attentively, without focusing attention.

  • Less than 200~250ms

ex) Popout effect, segmentation effect

Popout effect

  • Easily detected regardless of the number of distractors.
  • Color makes them popout!

ex)

  • Orientation, Curved, shape, size, color, light/dark…
  • Not pre-attentive: Parallelism, Juncture

Popout effect is useful for task that…

  1. Target detection
  2. Segmentation - Boundary detection
  3. Region tracking (distinctive moving group trace)
  4. Counting

→ but, you need to use only one color… (surrounded color do not pop)

Law of Preattentive display

  1. Must stand out on some simple dimension.
    1. color
    2. shape
    3. motion.,,

위로 갈수록 양적인 인지가 정확함. 아래로 갈수록 부정확.

Visual encoding (effectiveness) principles

어떤 것(어떤 채널)로 인코딩해야 효과적인가

데이터의 종류마다 다르다!

Design Principles

Shneiderman’s guideline, tufte’s principles, feynman-tufte principle…

Design Guidelines

  • Visual presentation of query components & results (in text-based situation)
  • Rapid, incremental, reversible actions (direct manipulation)
  • immediate and continous feedback
  • Selection by pointing (not typing)
  • Reduce errors
  • Visual information seeking mantra (주문을 외우듯)
    • Overview first → zoom and filter → details on demand

Tufte’s Design Principle

  1. Tell the truth
    1. Graphical Integrity
  2. Do it effectively with clarity, precision ,,,
    1. Design Principles/aesthetics
  3. Simple design, intense content
    1. Feynman-Tufte principle

Measuring Misrepresentation

Visual attribute should be directly proportional to data value.

(Lie factor) = (Size of effect in graphic) / (Size of effect in data)

→ 1이 아니라면 거짓됨

Distortion in Multi-dimensional projection

2d로 바꾸는 순간 무조건 데이타가 손실/왜곡 된다.

→ Distortion

Try to preserve the characteristics of the original data as most as they can.

  • Cluster structure, outlier, distance between points…

→ commonly scatterplot

Distortions

  1. Missing neighbors

원래는 옆에 있었는데 더이상 가까이 있지 않음. 연관성이 안보임

  1. False neighbors

원래는 연관성이 없는 데이터끼리 옆에 붙어버림.

  • CheckViz
    • 다양한 차원-감소를 테스트해보면 PCA, NLM등은 false neighbors가 높고 DD-HDS, CCA는 Missing neighbors가 높음을 알 수 있다.

Distortion in Groups!

cluster-cluster 간 관계에서도 유사한데, missing group, false group으로 평가할 수 있음

Back to Design Principles..

Data-ink ratio

(Data-ink ratio) = (Data ink) / (Total ink used in graphic)

= (데이터 표현 시 써야하는 잉크 양) / (실제로 쓴 잉크 양)

= 얼마나 redundant하지 않게 잉크를 썼는가?

Data-ink ratio = 데이터 표현의 효율성

→ 그래프에서 불필요한 장식이나 중복을 제거하고 핵심 정보에 집중하도록 디자인하라는 원칙입니다.

Chartjunk

  • Pie chart 에서 가운데 뚫기 → angle perception 부정확
  • 막대그래프 아래 자르기. 3d 막대그래프 (근데 2d여도 되는 경우)
  • External visual elements

Use small multiples

  • 동일한 그래픽 요소를 반복. → 가까이 배치하여 차이점 강조하기
  • 비교가 쉽고 한눈에 잘 보임 (invite comparison)

Utilize Narratives of space and time

이건 뭐 계속 나오네

Use Negative space

띄우고, 비울 떄는 적절히 비워서 효과적인 디자인 해야한다~

Lecture Notes, Human Computer Interaction
hci visualization
This post is licensed under CC BY 4.0 by the author.