Визуальное представление данных помогает делать неожиданные открытия

В Georgia Tech Research Institute (GTRI) разработан программный инструментарий, позволяющий выполнять углубленный анализ массивов данных численного моделирования, с практически мгновенной визуализацией результатов манипуляций (например, применения фильтров) на экране.

Новое средство, являющееся составной частью разработанной в GTRI многокомпонентной системы моделирования Test Matrix Tool (TMT), отличает от других подобных программ простота использования графического интерфейса и возможность адаптации для применения с существующими наборами данных в различных дисциплинах.

Test Matrix Tool предназначена для установки на персональных компьютерах под управлением Linux и Microsoft Windows. Пользователь может определять пределы изменения входных параметров, используя многочисленные фильтры данных. TMT применяет все сочетания этих параметров, создавая тестовую матрицу. Затем она выполняет симуляцию на Sun/Oracle Grid Engine и сохраняет результаты в базе данных MySQL. На этой стадии вступает в действие подсистема анализа, включающая в себя новое средство визуализации, которое помогает оценить зачастую сложные итоги экспериментов.

Эдвард Кларксон (Edward Clarkson), возглавляющий в проекте работы по визуализации продемонстрировал возможности программы, обратившись для примера к статистике бейсбольных матчей. При этом использовалось 40 различных фильтров, всего же TMT располагает более, чем тремя сотнями таких фильтров. В процессе сопоставления характеристик 46 тыс. игроков Национальной Лиги прошлого обнаружилась неожиданная аномалия: рост и вес игроков, последовательно увеличивающиеся каждую декаду, в 20-е и 30-е годы оставались неизменными.

«Картинка стоит тысячи цифр, поскольку визуализация данных в графической форме позволяет видеть закономерности, остающиеся скрытыми в чисто числовом представлении», — отмечает Кларксон. По его словам, большинство коммерческих систем ограничиваются применением фильтров, тогда как TMT может осуществлять математические преобразования, позволяя взглянуть на данные под новым углом, выявляя, помимо полезных трендов, также систематические ошибки экспериментальных методик.