U1.08.3Magnitude loss in nominal channels设计研究
用定类通道编码定量数据会丢失量值差异
别名: 量值丢失 · 连续量分类化 · categorical encoding of quantity
概念解释
定类通道中的量值丢失（magnitude loss in nominal channels）是把连续或高基数数值仅映射成离散色相、形状或任意标签后，读者只能可靠判断“不同”，却无法从通道本身恢复差多少、谁更接近或变化是否均匀。分箱还把同一箱内的差异压成相同，并把箱界两侧的微小差异放大成类别跳变。
机制
定类通道没有共享的单调标尺。红、蓝、绿之间的感知距离既不等同数据差，也通常不能做加减；形状差异同样不给出量值方向。离散化是有损变换：箱数、边界和开闭区间决定哪些差异被保留。即使图例列出每个范围，读者也只能得到区间约束，不能从标记精确反演原值。
怎么研究
用同一数值分布比较共同标尺位置、单调明度或大小与离散色相/形状。分别测排序、差值、阈值判定、异常发现和原值读取；改变分箱方法、箱数和边界位置，观察结论稳定性。报告原值任务和类别决策任务，避免把分箱后的高分类正确率误当作保留了量值。
边界
当任务本来就是依据有意义阈值采取行动，如合格/不合格或预警等级，分类化可以减少不必要精度并直接支持决策。阈值必须来自领域规则或分析目的，而非为得到好看的颜色分布。隐私保护或低精度测量也可能只允许范围；此时应诚实标明区间和不确定性。
怎么落地
- 需要比较大小、差值或趋势时，使用共同标尺位置、长度或经过验证的单调序列，并保留单位和原始范围。
- 必须分箱时，记录算法、阈值、端点归属和版本；图例给出完整区间，不用“低、中、高”掩盖定义。
- 对阈值附近做敏感性分析，并允许查看原值或分布；不要让交互筛选静默改变分箱基准。
- 为非视觉读取提供原值、区间、单位和排序，而不只朗读颜色名或形状名。