Estoy intentando analizar un gran conjunto de mediciones empíricas sujetas a dos transformaciones parametrizadas. En esencia, las funciones toman 3 parámetros de 'conteo' y devuelven una secuencia de floats en cada configuración. Espero ver algunos patrones interesantes surgir cuando se seleccionen los parámetros apropiados. Anticipo que los patrones podrían ser relativos entre las secuencias devueltas para cada función y/o relacionarse con patrones de algún tipo en los parámetros. En caso de que sea relevante, los 3 parámetros de 'conteo' corresponden aproximadamente a:
- 'tamaño de ventana' en los datos subyacentes sobre los cuales se calculan las estadísticas resumidas
- Una cantidad de ventanas consecutivas utilizadas para calcular una única estadística resumida (es decir, la compensación entre una mayor precisión espacial o temporal)
- Una 'edad mínima' - un desplazamiento en la historia de los datos subyacentes.
Las estadísticas resumidas no son triviales pero son sensibles de manera independiente a los tres parámetros.
Estoy interesado en técnicas de visualización - adecuadas para la investigación ad-hoc - que me ayudarán a experimentar con estos datos multidimensionales.
EDICIÓN (En respuesta a Peter Ellis): Tu 'juego de palabras' es, básicamente, mi problema. No he almacenado los datos, en su lugar, puedo calcularlos 'sobre la marcha' a partir de datos empíricos en masa (de lo contrario opacos). Si almacenara los resultados de mi cálculo en forma de matriz, sería una matriz 4D... Las tres primeras dimensiones son todas temporales - como se identificó anteriormente - luego el índice de la secuencia resultante también es temporal - y los valores son una métrica escalar específica del problema sin dimensiones... representada utilizando un número de punto flotante. Uno podría imaginar los datos visualizándose asociando una distribución (función) con cada 'voxel' en un cuboide. Visualizo estas secuencias (que representan la distribución asociada con cada voxel) de forma aislada, como funciones continuas muestreadas regularmente. Una forma en la que he imaginado los datos es con las secuencias como gráficos de líneas, y tres 'perillas de ajuste' que puedo usar para 'sintonizar' un resultado... otra es como cualquiera de las tramas de superficie con dos 'perillas de ajuste'. Una visualización más elaborada anima un rango de valores para una de las 'perillas de ajuste' - dejándome un parámetro para ajustar manualmente. La estructura de los datos no sugiere qué parámetros son los mejores en qué contexto - y la respuesta a esto puede depender tanto de los datos empíricos (aún por recopilar por completo) como de la escala de los parámetros. Una complicación significativa es que no sé, hasta el momento, cuán sensibles serán los resultados de mis cálculos a los parámetros anteriores... Un objetivo es encontrar valores para los dos primeros parámetros para minimizar el impacto del tercero. Más allá de eso, y analogías entre mis parámetros y el tiempo, me temo que los datos son bastante abstractos... no hay un objeto del mundo real del cual inspirarse.
