Ein Log-Log-Diagramm ist ein Diagramm, das sowohl auf der x-Achse als auch auf der y-Achse logarithmische Skalen verwendet.
Diese Art von Diagramm ist nützlich, um zwei Variablen zu visualisieren, wenn …
Ein Forest-Plot (manchmal auch als „Blobbogram“ genannt) wird in einer Meta-Analyse verwendet, um die Ergebnisse mehrerer Studien in einem Plot zu visualisieren.
Die x-Achse zeigt den interessierenden Wert der Studien (oft Quotenverhältnis, Effektstärke oder Mittelwertdifferenz) und die y-Achse zeigt die Ergebnisse jeder einzelnen Studie.
Diese Art von Diagramm bietet eine bequeme Möglichkeit, die Ergebnisse mehrerer Studien gleichzeitig zu visualisieren.
Das folgende Schritt-für-Schritt-Beispiel zeigt, wie Sie ein Walddiagramm in Excel erstellen.
Zuerst geben wir die Daten für jede Studie im folgenden Format ein:
Markieren Sie als Nächstes die Zellen im Bereich A2:B21. Klicken Sie im oberen Menüband auf die Registerkarte Einfügen und dann auf die Option 2D-Clusterbalken im Abschnitt Diagramme. Das folgende horizontale Balkendiagramm wird angezeigt:
Doppelklicken Sie als Nächstes auf die Beschriftungen der vertikalen Achsen. Setzen Sie im Bereich Achse formatieren, der auf der rechten Seite des Bildschirms angezeigt wird, die Beschriftungsposition auf Niedrig:
(Die Formeln wurden mit einer englischsprachen Excel-Version erstellt. Für die deutschen Formeln siehe z.B. hier)
Dadurch werden die vertikalen Achsenbeschriftungen auf die linke Seite des Diagramms verschoben:
Als Nächstes fügen wir eine neue Reihe mit dem Titel Points hinzu, mit der wir dem Diagramm Streudiagrammpunkte hinzufügen:
Klicken Sie anschließend mit der rechten Maustaste auf eine beliebige Stelle im Diagramm und klicken Sie auf Daten auswählen. Klicken Sie im neuen Fenster, das angezeigt wird, auf Hinzufügen, um eine neue Serie hinzuzufügen. Lassen Sie dann den Seriennamen leer und klicken Sie auf OK. Dadurch wird dem Plot ein einzelner Balken hinzugefügt:
Klicken Sie anschließend mit der rechten Maustaste auf den einzelnen orangefarbenen Balken und klicken Sie auf Diagrammtyp der Serie ändern. Ändern Sie im neuen Fenster, das angezeigt wird, Series2 in ein Streudiagramm:
Sobald Sie auf OK klicken, wird ein einzelner Punkt des Streudiagramms im Diagramm angezeigt:
Klicken Sie anschließend mit der rechten Maustaste auf den einzelnen orangefarbenen Punkt und klicken Sie auf Daten auswählen. Klicken Sie im angezeigten Fenster auf Series2 und dann auf Bearbeiten.
Verwenden Sie den Zellenbereich, der die Effektgröße für die x-Werte enthält, und den Zellenbereich, der Punkte für die y-Werte enthält. Klicken Sie dann auf OK.
Die folgenden Streudiagrammpunkte werden dem Diagramm hinzugefügt:
Klicken Sie als Nächstes mit der rechten Maustaste auf einen der Balken im Diagramm und ändern Sie die Füllfarbe in Keine Füllung:
Doppelklicken Sie als nächstes auf die y-Achse rechts und ändern Sie die Achsengrenzen auf ein Minimum von 0 und ein Maximum von 20. Klicken Sie dann auf die y-Achse rechts und löschen Sie sie. So entsteht folgender Plot:
Klicken Sie als Nächstes auf das kleine grüne Pluszeichen in der oberen rechten Ecke des Diagramms. Im Drop-Down-Menü, markieren Sie das Kästchen neben Fehlerbalken. Klicken Sie dann auf einen der vertikalen Fehlerbalken an einem der Punkte und klicken Sie auf Löschen, um die vertikalen Fehlerbalken von jedem Punkt zu entfernen.
Klicken Sie als Nächstes im Dropdown-Menü neben Fehlerbalken auf Weitere Optionen. Geben Sie im rechts angezeigten Bereich die benutzerdefinierten Fehlerbalken an, die für die Ober- und Untergrenze der Konfidenzintervalle verwendet werden sollen:
Dies führt zu den folgenden Fehlerbalken auf dem Plot:
Schließlich können Sie einen Titel und Achsenbeschriftungen hinzufügen und die Farben des Diagramms ändern, um ästhetisch ansprechender zu wirken:
Weitere Tutorials zur Excel-Visualisierung finden Sie auf dieser Seite.
Ein Log-Log-Diagramm ist ein Diagramm, das sowohl auf der x-Achse als auch auf der y-Achse logarithmische Skalen verwendet.
Diese Art von Diagramm ist nützlich, um zwei Variablen zu visualisieren, wenn …
Bei der Verwendung von Klassifizierungsmodellen beim maschinellen Lernen verwenden wir häufig zwei Metriken, um die Qualität des Modells zu bewerten, nämlich Präzision und Erinnerung.
Precision: Korrigieren Sie positive Vorhersagen im …