看到一堆数字，或许很难发现其中的规律。但如果制作成图表，就能直观地发现其中的规律。
散点图 (Scatter Plot)
将很多小朋友的身高体重数据在图上戳点点，就可以得到散点图
散点图一般可以用来做一些相关性的分析，比如从上图可以看出小朋友的身高体重是正相关的。
线形图 (Line Graph)
从图中能直观地看到比特币的价格随时间的变化：
图表 (Chart)
柱状图 (Bar Chart)
堆叠柱状图 (Stacked Bar Chart)
这种（fancy的）柱状图能比普通的柱状图反映更多的信息。例如在下图中，不仅能看到每年的财政收入，还能反映每年每个国家的财政收入，便于进行比较。
圆形的图表
这里老师的比喻比较搞笑，饼状图就好比是一张披萨，反映了你吃了多少。而那个弧形的图表就好像是跑道，跑道有共同的起点，反映了每个运动员跑了多少圈。
不过右边那种弧形的图表现在不是很常用了。
箱型图 (Box Plot)
箱型图是一种比较美观，数据量也比较大的图表形式。
箱子的顶部和底部不一定是75%和25%，但默认是这样的。（老师比喻这个箱子长得像针筒，也是很形象了）
这是很多箱型图画在一张图里的效果。
高维图表
3D可视化
3D的图表比二维多一维，反映的信息更多一点。但总体而言只是二维的扩展而已。
3D以上
三维以上就比较难可视化了，即便画出来，一般人也很难想象，所以需要对高维特征进行降维（进来复习数据降维）
降到多少维合适呢？
之前介绍数据降维的方式的时候，这取决于最后的任务。为了维持最后任务的性能，可能需要保留百分之八十或者九十的数据的能量。
但在可视化的过程中，降到多少维是由可视化的方便程度决定的，比如之前提到的，人最多能想象二维到三维的图。
t-SNE之前在数据降维的部分介绍过，但其实它在可视化方面也很重要。用t-SNE将数据降到二维就能方便可视化。如果一个特征学得足够好，两种样本在图上应该是分得足够开的。（下图是个反例）
