In der kompakten Darstellung höherdimensionaler Daten können nicht alle Informationen angezeigt werden. Je nachdem, welche Darstellung gewählt wird, können dementsprechend relevante Aspekte hervorgehoben und nicht relevante ausgeblendet oder ungenau dargestellt werden. Ziel dieser Arbeit ist es, mithilfe von Datentiefen und multidimensionaler Skalierung eine zweidimensionale Darstellung zu finden, die sowohl einen Bezug zu den ursprünglich einzelnen Dimensionen herstellt, als auch die Datenpunkte entsprechend ihrer Datentiefe kategorisiert. Diese neue Art der Visualisierung wird als Depth Context Map bezeichnet. Da für jede Dimension des Datensatzes eine Datentiefe berechnet werden kann, wird für die Erstellung der Depth Context Map ein Verfahren benötigt, das für jede Datentiefe eine Ordnung im zweidimensionalen Raum herstellt. Im Rahmen dieser Arbeit werden zwei neue Verfahren vorgestellt, die diese Ordnung anhand mehrerer Datentiefen erzeugen kann. Das erste Verfahren stellt eine optimale Projektion dar, bei der die Datentiefe erhalten bleibt. Das zweite Verfahren mappt den Unterschied der Datentiefe auf die Distanzen der Datenpunkte. Die beiden Verfahren werden abschließend auf die Vor- und Nachteile, sowie deren Eigenschaften untersucht.

Not all information can be displayed in a compact visualization of higher-dimensional data. Depending on which visualization is selected, relevant aspects can be highlighted and non- relevant aspects can be hidden or displayed inaccurately. The aim of this master thesis is to use data depths and multidimensional scaling to find a two-dimensional representation that both establishes a relationship to the original individual dimensions and a categorisation according to the data depth. This new type of visualization is called Depth Context Map. Since a data depth can be calculated for each dimension of the data set, the Depth Context Map requires a method that creates an order in two-dimensional space for each data depth. In the context of this thesis two new methods are presented, that generate this order on the basis of all data depths. The first method represents an optimal projection which preserve the data depth. The second method maps the difference between the data depth of two Points, to the euclidean distances of these points. The two methods are then evaluated for their advantages and disadvantages as well as their properties.