K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

散布図行列で多次元を俯瞰する

入門

06.6.2

散布図行列で多次元を俯瞰する

最終更新 2020-02-12 読了時間 2 分
まとめ
散布図行列(ペアプロット)は、\(p\) 個の変数から 2 つを選ぶ全組み合わせの散布図を格子に並べ、対角線には各変数のヒストグラムか密度曲線を置いた図です。sns.pairplot(iris, vars=[...], hue="species") の 1 回の呼び出しで、Iris の 4 変数なら 6 枚の散布図と 4 枚のヒストグラムが品種別の色付きで描かれます。相関ヒートマップが 1 つの数字 \(r\) に縮めてしまう「点の形」を残すので、曲線的な関係、外れ値、品種ごとの塊の分かれ方まで読めます。読み終えると、分類モデルを作る前にどの特徴量ペアで 3 品種が分離できるかを目で選び、corner=True で冗長な上三角を省けるようになります。

直感 #

アヤメの花 150 個について「がく片の長さ・幅、花弁の長さ・幅」の 4 つを測り、3 品種のどれかを当てたいとします。4 変数から 2 つを選ぶ組み合わせは 6 通りで、散布図を 6 枚別々に描くとどれがどれか迷います。散布図行列は 6 枚を「行 = 縦軸の変数、列 = 横軸の変数」の決まった位置に並べ、対角線には「その変数 1 つだけのヒストグラム」を置きます。品種で色を分ければ、「花弁の長さ × 花弁の幅」のマスで 3 色の塊がほぼ重ならずに分かれる一方、「がく片の幅 × がく片の長さ」では 2 色が混ざる、といった違いが 1 枚で見えます。

何が起きているか(ステップで見る) #

コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。

見るポイント:r は「直線に沿う強さ」。曲線的な関係や外れ値があると、r だけでは関係を見誤る。

Python で描く #

次のコードは Iris データを読み込み、4 つの数値列について sns.pairplot で下三角の散布図 6 枚と対角のヒストグラム 4 枚を品種別に色分けして描きます。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
import seaborn as sns
import matplotlib.pyplot as plt

iris = sns.load_dataset("iris")

g = sns.pairplot(
    iris,
    vars=["sepal_length", "sepal_width", "petal_length", "petal_width"],
    hue="species",
    plot_kws={"alpha": 0.8, "s": 50},
    diag_kind="hist",
    corner=True,
)
g.fig.suptitle("Iris データの散布図行列", y=1.02)

plt.show()

クラス別に色分けすると、分類の分離度も同時に把握できますの図

実行結果の読み方 #

左下の「petal_width × petal_length」のマスでは、setosa(左下の塊)が他の 2 品種から完全に離れ、versicolor と virginica も対角線上に並んで境目が見えます。一方、「sepal_width × sepal_length」のマスでは versicolor と virginica が重なり、この 2 変数だけでは分けられないと分かります。対角線の petal_length のヒストグラムは setosa が 1〜2 cm に孤立した山を作っていて、1 変数でも setosa は見分けられることが読めます。

使いどころと落とし穴 #

散布図行列が向くのは、変数が 3〜8 個で、分類の前にクラスの分離度を確かめたいときや、回帰の前に曲線的な関係や外れ値がないかをざっと点検したいときです。変数が 10 個を超えると corner=True でも 55 マス以上になり、1 マスが読めない大きさになります。その場合は先に 相関ヒートマップ で \(|r|\) が 0.5 以上のペアを絞り、注目ペアだけを散布図で深掘りする順番にします。もう 1 つの落とし穴は diag_kind=None にして対角線を空けてしまうことで、各変数のヒストグラムや密度がないと分布の歪みを見逃します。150 点程度なら alpha=0.8 で問題ありませんが、数千点では点が塗りつぶされるので alpha を 0.3 以下に落とすか、散布図の代わりに kind="kde" で等高線にします。