Grafikler, analizler ve haritalar, analiz ve bilgileri aktarmak için ilgi çekici ve ikna edici araçlardır. Bunlar aynı zamanda kötü veya kötü amaçla kullanıma sunulduğunda kafa karışıklığı, yanlış bilgi ve gerçek dışılığa neden olan kaynaklardır.
Grafikler bilim yerine sanat olarak gösteriliyor
Makine öğrenimi uygulayıcıları, modeller için ne kadar yararlı olduklarını anlamak amacıyla potansiyel eğitim veri kümelerini ve performansı anlamak için model çıktılarını genellikle görselleştirir.
Veri görselleştirme oluşturuyor veya okuyor olsanız da her zaman görselleştirmenin amaçlanan bağlamını, kitlesini ve amacını sorun. Bu üç faktör grafiksel iletişimin anahtarıdır. Aynı grafik, farklı bağlamlarda yararlı ve bilgilendirici ya da yanıltıcı ve abartılı olabilir.1 Hedeflenen izleyici ve izleyicinin grafik ve veri okuryazarlığı düzeyi değişiklik gösterir. Tasarım, bu konuda yardımcı olabilir veya engel teşkil edebilir. Örneğin nefes kesici derecede güzel grafikler, bilgileri net bir şekilde iletemeyecek kadar karmaşık olabilir.
Mükemmel bir grafik oluşturmayla ilgili kesin kurallar yoktur, yalnızca yönergeler ve en iyi uygulamalar vardır. Verileri görselleştirmek bilim olduğu kadar sanattır. Ancak verileri görselleştirirken her şeyden önemlisi açıklık ve dürüstlük için çaba gösterin. Net ve doğru bir şekilde iletişim kurmak için yeterli bilgi verin ancak izleyiciyi bunaltacak kadar fazla bilgi vermeyin.
İskele, içerik ve yanıltıcı hareketler
Alberto Cairo, How Charts Lie adlı çalışmasında, veri görselleştirmelerini yapı ve içerik olmak üzere iki bölüme ayırmıştır.
Bir grafiğin iskeletleri; başlıkları, eksenleri, göstergeleri, etiketleri ve varsa verilerin kaynağını içerir.
İçerik, verilerin görsel kodlamasını ve kısa metin ek açıklamalarını içerir. Verileri görsel olarak kodlama yöntemleri genellikle şunlardır:
- (çubuk grafiklerde olduğu gibi)
- dağılım grafiğindeki gibi konum
- Pasta grafiklerde orantısal açılar, alanlar ve yaylar
- renk ve ton
- daha seyrek olarak genişlik ve kalınlık2
Bu öğelerin tümü kullanıcıları yanıltmak için kullanılabilir. Bir çubuk grafiği sıfır olmayan bir taban çizgisinden başlatmak veya en uzun çubukları kısaltmak, amaç yer tasarrufu yapmak olsa bile yanlış algılara neden olabilir. Bazı örnekler için Sarah Leo'nun Economist'te veri görselleştirme hataları hakkındaki makalesini inceleyin.
Uygun olmayan bir en boy oranı, küçük bir değişikliği çok büyük veya büyük bir değişikliği çok küçük gösterebilir. Kahire, gösterilen orantısal değişime uygun bir en boy oranı (ör. %30'luk bir değişim için 3:1) seçilmesini önerir. Ancak kuralın birçok önemli istisnası olduğundan bağlama çok dikkat edilmesini önerir. Örneğin, ortalama küresel sıcaklıkta 100 °C'den 2 °C'lik bir artış gibi nispeten küçük dalgalanmalar son derece önemlidir ve 50:1 en boy oranına sahip bir grafikte olduğundan daha az görünür.3
3D verilerin gösterilmesi yerine görsel etki için 3D grafik rotasyonları ve diğer 3D efektlerin kullanılması, kullanıcıları yanıltma olasılığını artırır. Çubuk grafiklerdeki çubukların yerini alan 3D nesnelerin tasvirleri de bu kapsamdadır. Veriler, standart bir çubuk grafikte olduğu gibi yalnızca uzunluğa göre kodlanırsa okuyucu, orantılı olarak daha büyük nesneyi uygun olandan daha büyük hacme ve dolayısıyla daha yüksek değere sahip olarak yorumlayabilir.4 Baloncuk gibi verilerin 2D temsillerini kullanan ve verileri alana göre değil yarıçap veya çapa göre kodlayan tasarımcılar da yanıltıcı oranlar oluşturur.5 Pasta grafikleri gibi 2D temsiller, segmentlerin birbiriyle karşılaştırılmasını zorlaştırabilir. Pasta grafikleri, tüm segmentlerin bir bütün oluşturduğunu da ima eder. Bu durum her zaman geçerli olmayabilir.
Renk, başlı başına bir konudur. Genel olarak:
- Çoğu kullanıcının kafa karışıklığı yaşamadan yapabileceği sınır bu olduğundan 6 veya daha az renk bölümü kullanın.
- Farklı kullanıcılar farklı şekilde sipariş verdiğinden çok fazla sayıda spektral ton kullanmayın.6
- Mümkünse tek bir tonun tonlarını seçin. Bu renkler gri tonlamalı resimlerde daha kolay ayırt edilebilir.
- Farklı renk körlüğü türlerine karşı dikkatli olun.
Referanslar
Kahire, Alberto. How Charts Lie: Getting Smarter about Visual Information. NY: W.W. Norton, 2019.
Huff, Darrell. İstatistiklerle Yalan Söyleme NY: W.W. Norton, 1954.
Monmonier, Mark. How to Lie with Maps, 3. baskı. Chicago: U of Chicago P, 2018.
Resim referansları
"Verimlilik Hesabı yapısı örneği grafiği." TAUser, 2008. GNU FDL. Kaynak
"Yaşam döngüsü boyunca tüm araç türleri için Küresel Isınmaya Katkı (MTCO2E)." B2.Team.Leader, 2006. Kaynak
