案例01｜Exercise 4.1：Visual Information 與組織回應
案例02｜Anscombe’s Quartet：統計數字相同，圖形卻完全不同
案例03｜Fig. 4.2–4.3：小樣本 Scatter Plot 與完整資料 Heat Map
案例04｜SAS VA Data Explorer：先理解資料，再建立模型
案例06｜Visualization Toolbox：不同問題需要不同圖形
案例07｜Exercise 4.2：Data Refinement、Binning 與 Employment Hierarchy
案例08｜Fig. 4.33：Correlation Matrix 不等於因果關係
案例09｜Insurance Dataset：80% 非吸菸者，先看母體結構
案例10｜Insurance Charges：Region、Sex、Smoking 與 BMI 的多變量探索
案例11｜Exercise 4.3：Country Dataset 的 GDP、教育與社經地位
案例12｜Exercise 4.4：Employee Attrition 的探索式假設建立
| 核心主題 | 原書方法／案例 | 主要用途 | 重要限制 |
|---|---|---|---|
| Visual Exploration | 以 Visualization 辨識 Pattern、Trend、Outlier、Relationship | 理解大量 Dataset、建立 Hypothesis | 視覺關係不是因果證明 |
| Anscombe’s Quartet | 四組資料有近似 Summary Statistics，但圖形結構不同 | 說明建模前必須 Graph the Data | 不能只靠 Mean、SD、Correlation、R-squared |
| Aggregation | Insurance Charges：Sum → Average | 避免樣本量差異造成錯誤比較 | Aggregation 必須符合 Business Question |
| Visualization Selection | Bar、Histogram、Line、Scatter、Bubble、Pie、Box、Tree Map、Heatmap、Geo Map、Correlation Matrix | 依 Data Type 與 Question 選圖 | 每種圖都有 Benefits 與 Disadvantages |
| Correlation Matrix | Time-use Survey | 快速找 Strong／Weak、Positive／Negative Associations | Correlation ≠ Causation |
| Insurance Exploration | Smoker、Region、Sex、BMI、Age、Children、Charges | 由 Univariate 逐步走向 Multivariate Exploration | 先看 Population Composition，再解讀 Aggregation |
| Country Dataset | GDP、Education、Socioeconomic Status、Continent、Year | Filter、Grouping、Bubble Size、Colour、Animation | 增加 Encoding 必須服務明確分析問題 |
| Employee Attrition | Gender、Marital Status、Job Role、Business Travel | 從 Categorical Data 建立 Hypotheses | 探索結果仍需後續 Model／Experiment 驗證 |
第 4 章把 Visualization 從「呈現結果」提升為「探索資料」的分析工具。當 Dataset 有大量 Rows 與 Variables 時，人工閱讀 Table 很難辨識 Pattern、Trend、Outlier 與 Relationships。Visual Exploration 因此成為 Predictive Modelling 前的重要步驟。
四組資料即使具有幾乎相同的 Mean、Standard Deviation、Correlation、Regression Line 與 R-squared，畫出來仍可能完全不同。這個案例直接說明：Summary Statistics 不能取代 Visualization。