Mixed data sets containing numerical and categorical attributes are nowadays ubiquitous. Converting them to one attribute type may lead to a loss of information. We present an approach for handling numerical and categorical attributes in a holistic view. For data sets with many attributes, dimensionality reduction (DR) methods can help to generate visual representations involving all attributes. While automatic DR for mixed data sets is possible using weighted combinations, the impact of each attribute on the resulting projection is difficult to measure. Interactive support allows the user to understand the impact of data dimensions in the formation of patterns. Star Coordinates is a well‐known interactive linear DR technique for multi‐dimensional numerical data sets. We propose to extend Star Coordinates and its initial configuration schemes to mixed data sets. In conjunction with analysing numerical attributes, our extension allows for exploring the impact of categorical dimensions and individual categories on the structure of the entire data set. The main challenge when interacting with Star Coordinates is typically to find a good configuration of the attribute axes. We propose a guided mixed data analysis based on maximizing projection quality measures by the use of recommended transformations, named hints, in order to find a proper configuration of the attribute axes.

中文翻译：

---

混合数据的暗示星坐标

包含数字和分类属性的混合数据集如今无处不在。将它们转换为一种属性类型可能会导致信息丢失。我们提出了一种从整体角度处理数值和分类属性的方法。对于具有许多属性的数据集，降维 (DR) 方法可以帮助生成涉及所有属性的可视化表示。虽然可以使用加权组合对混合数据集进行自动 DR，但每个属性对结果投影的影响很难衡量。交互式支持使用户能够了解数据维度对模式形成的影响。Star Coordinates 是一种著名的交互式线性 DR 技术，用于多维数值数据集。我们建议将星坐标及其初始配置方案扩展到混合数据集。结合分析数值属性，我们的扩展允许探索分类维度和单个类别对整个数据集结构的影响。与星坐标交互时的主要挑战通常是找到属性轴的良好配置。我们提出了基于通过使用推荐的转换（命名提示）最大化投影质量度量的指导混合数据分析，以便找到属性轴的适当配置。与星坐标交互时的主要挑战通常是找到属性轴的良好配置。我们提出了基于通过使用推荐的转换（命名提示）最大化投影质量度量的指导混合数据分析，以便找到属性轴的适当配置。与星坐标交互时的主要挑战通常是找到属性轴的良好配置。我们提出了基于通过使用推荐的转换（命名提示）最大化投影质量度量的指导混合数据分析，以便找到属性轴的适当配置。