Создавайте потрясающие визуализации данных за секунды с помощью ChatGPT

Создавайте за секунды потрясающие визуализации данных с помощью ChatGPT

Введение

Визуализация данных – это важное умение для всех, кто работает с данными. Но создание красивой и информативной визуализации может занимать много времени и требовать специальных инструментов. Именно здесь на помощь приходит ChatGPT. Благодаря последним обновлениям, ChatGPT делает визуализацию данных быстрее и проще, чем когда-либо прежде.

• Обнаружение степенных законов в реальных данных с помощью Python
• Эффективные методы противодействия современным угрозам кибербезопасности
• Алгоритмы оптимизации Нейронные сети 101

Последнее обновление существенно улучшило опыт работы с ChatGPT. Теперь вам не нужно переключаться между различными вариантами, такими как оригинальный GPT-4, GPT4 с расширенным анализом или DALLE-3. Вам просто нужно вводить запрос, и ChatGPT автоматически его интерпретирует и генерирует необходимые результаты.

В этом блоге мы рассмотрим, как мгновенно генерировать различные визуализации данных с помощью простых английских запросов. Благодаря продвинутому анализу данных ChatGPT вам не нужно обрабатывать данные или запускать код на Python. Мы изучим простые круговые и столбчатые диаграммы, а затем перейдем к более сложным визуализациям с использованием реальных наборов данных.

Простая визуализация

В этой части мы создадим простой запрос для генерации графиков. Запрос будет содержать данные в виде словаря Python.

Круговая диаграмма

Перед тем как мы создадим запрос, убедитесь, что вы используете модель GPT-4, так как только она поддерживает генерацию визуализаций.

Мы создадим запрос для генерации круговой диаграммы на основе различных данных о питательных веществах. Дополнительно мы запросим у ChatGPT использовать более светлую комбинацию цветов, так как стандартные цвета достаточно яркие.

Запрос:  Сгенерировать круговую диаграмму значений {"Витамин А":5, "Витамин В": 1, "Витамин С": 4, "Вода": 90} с использованием светлой комбинации цветов.

Как вы можете видеть, мы получили отличные результаты.

Если вы хотите увидеть Python-код, лежащий в основе этой визуализации, вам нужно нажать на логотип терминала в конце результата.

После этого появится окно с исходным кодом, который вы можете изменить и выполнить самостоятельно. Однако этот шаг не является обязательным, так как ChatGPT просто выполнит код и отобразит визуализацию в виде изображений. Вы можете сохранить эти изображения для вашей презентации или отчета.

Столбчатая диаграмма

В следующей части мы предоставим данные о выбросе CO2 для автомобилей и позволим ChatGPT сделать свою магию.

Запрос:  Сгенерировать столбчатую диаграмму выброса CO2 значений {"Автомобиль А":30, "Автомобиль В": 25, "Автомобиль С": 20}.

Он добавил заголовок, оси X и Y и упорядочил значения по убыванию. Прекрасно!!!

Анализ данных

Вместо чрезмерного контроля вывода ChatGPT вы можете попросить его создать результаты независимо, аналогично различным библиотекам Python AutoViz. Просто предоставьте ему набор данных и запросите полный анализ данных для генерации необходимых графиков для вашего изучения.

В нашем случае мы предоставляем ему набор данных Тенденции в поведении потребителей, который предлагает ценные представления о поведении потребителей и покупательных привычках.

Задание: Выполнить исследовательский анализ данных на наборе данных о тенденциях покупок клиентов и отобразить только графики.

 

ChatGPT быстро предоставил результаты, обрабатывая и анализируя тенденции потребления за менее чем минуту, что обычно требует не менее 30 минут для кодирования и выполнения этих задач.

   Вы можете улучшить результаты, предоставив дополнительные инструкции относительно типа визуализации, которая вас интересует.

Задание: Улучшить анализ, построив корреляционную матрицу, столбчатую диаграмму, круговую диаграмму, ящик с усами и график relplot.

 

 Если вы хотите увидеть сложную многоуровневую визуализацию, вам нужно явно попросить ChatGPT.

Задание: Используйте набор данных для построения различных сложных визуализаций.

 

 

Оценка модели

 

Визуализация данных играет важную роль при оценке моделей. В этом разделе мы будем использовать набор данных о диабете с Kaggle и попросим ChatGPT обучить и оценить несколько моделей. Чтобы использовать все возможности ChatGPT, мы попросим его отобразить матрицу ошибок, точность-полноту и график сравнения моделей.

Задание: Необходимо обучить несколько моделей машинного обучения, используя целевой столбец "Outcome", а визуализацию оценки модели включить матрицу ошибок, точность-полноту и график сравнения моделей.

 

Ясно, что ChatGPT продемонстрировал исключительную производительность. Несмотря на то, что модели не дали хорошего результата на наборе данных, мы впечатлены быстрой и точной возможностью визуализации данных. Это можно использовать для быстрого анализа наборов данных или ответа на вопросы во время собеседований или выполнения домашних заданий.

 

 

Вывод

 

ChatGPT революционизировал процесс создания визуализации данных легким способом. Благодаря его возможностям анализа данных вы можете создавать впечатляющие и информативные визуализации за считанные секунды с использованием простых английских инструкций.

В этой статье мы узнали, как ChatGPT может мгновенно создавать различные диаграммы, такие как круговые диаграммы, столбчатые графики, корреляционные матрицы и даже сложные визуализации, например, графики relplot, по запросу. 

ChatGPT также превзошел ожидания, когда был попрошен обучить модели машинного обучения на наборе данных о диабете и сгенерировать метрики оценки и графики сравнения. Весь процесс построения модели и визуализации занял всего несколько минут.

Будь то простая столбчатая диаграмма, продвинутый анализ моделей или простой способ понять наборы данных, ChatGPT доставляет выдающиеся результаты с минимальными усилиями. При улучшении возможностей каждый день наступает время повышения навыков визуализации данных с помощью этого интеллектуального помощника.

****[Абид Али Аван](https://www.polywork.com/kingabzpro)**** (@1abidaliawan) – сертифицированный профессионал в области науки о данных, который любит строить модели машинного обучения. В настоящее время он фокусируется на создании контента и написании технических блогов о технологиях машинного обучения и науке о данных. Абид имеет степень магистра в области управления технологиями и степень бакалавра в области телекоммуникационной инженерии. Его целью является создание продукта искусственного интеллекта с использованием графовых нейронных сетей для студентов, страдающих от психических заболеваний.