قراءة خريطة الارتباط الحرارية
اكتشاف الميزات المتكررة بسرعة
قراءة خريطة الارتباط الحرارية درس مجاني في Data Science Academy على CoddyKit. هذا هو الدرس 3 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Data Science Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Data Science Academy 4 دروس في المجموع.
لماذا نستخدم خريطة حرارية
عند وجود أعمدة كثيرة، تصبح قراءة الارتباطات زوجًا بعد زوج أمرًا مرهقًا. تعرض heatmap كل زوج دفعة واحدة على شكل شبكة من الألوان. 🔥
ابدأ باستخدام corr
أنشئ أولًا correlation matrix. ففي pandas، يؤدي استدعاء corr على DataFrame رقمي إلى إرجاع جدول مربع يضم كل عمود مقترنًا بكل عمود آخر.
corr = df.corr(numeric_only=True)
print(corr.round(2))ارسمها باستخدام seaborn
حوّل تلك المصفوفة بعد ذلك إلى ألوان. وتربط دالة heatmap في seaborn كل خلية بدرجة لونية، فتظهر الأنماط فورًا.
import seaborn as sns
sns.heatmap(corr, annot=True, cmap="coolwarm")قراءة الألوان
تشير الألوان الدافئة عادةً إلى روابط positive قوية، بينما تشير الألوان الباردة إلى الروابط السلبية. وتكون الخلايا الباهتة قريبة من الصفر، مما يدل على ضعف العلاقة.
القطر يساوي واحدًا دائمًا
يكون diagonal الرئيسي مساويًا دائمًا لـ1، لأن كل عمود يرتبط ارتباطًا تامًا بنفسه. تجاهله؛ فالقصة الحقيقية تظهر في الخلايا خارج القطر.
الشبكة متناظرة
تكون خريطة الحرارة symmetric حول القطر، لأن العلاقة بين A وB تساوي العلاقة بين B وA. ولا تحتاج إلا إلى قراءة مثلث واحد.
أضف الأرقام التوضيحية
اضبط annot على True كي تُطبع القيمة الدقيقة في كل خلية. يوضح اللون الصورة العامة، بينما تتيح لك الأرقام التأكد من القوة بدقة.
اختر لوحة ألوان متباينة
اختر خريطة ألوان متباينة مثل coolwarm، بحيث تحصل القيم السالبة والموجبة على ألوان متقابلة، ويقع الصفر في المنتصف بلون محايد. وهذا يجعل الاتجاه واضحًا.
اكتشاف الميزات الزائدة
غالبًا ما تكون الميزتان المرتبطتان ارتباطًا وثيقًا زائدتين. وتحدد خريطة الحرارة هذه الميزات، لتتمكن من حذف إحداهما وتبسيط النموذج دون فقدان قدر كبير من الإشارة.
البحث عن المتغير الهدف
افحص الصف أو العمود بحثًا عن المتغير الهدف. وتشير الخلايا الأقوى هناك إلى الميزات التي قد تحمل أكبر قيمة تنبؤية.
إخفاء النصف لتحسين الوضوح
لتقليل الفوضى، يخفي كثير من المحللين المثلث العلوي باستخدام قناع. وتصبح النتيجة أوضح مع الاحتفاظ بكل زوج ذي معنى.
تحقق سريع
لاحظت ميزتين بمعامل ارتباط يقارب 0.97 في خريطة الحرارة. ما الخطوة التالية الشائعة؟
مراجعة
أنشئ مصفوفة باستخدام corr، وارسمها باستخدام seaborn، واقرأ الخلايا الدافئة والباردة. تجاهل القطر، وانتبه إلى الميزات الزائدة، وافحص صف المتغير الهدف. ✅
الأسئلة الشائعة
هل درس «قراءة خريطة الارتباط الحرارية» مجاني؟
نعم — نص درس «قراءة خريطة الارتباط الحرارية» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Data Science Academy، انتقل إلى CoddyKit PRO. تتضمن دورة Data Science Academy 4 دروس في المجموع.
ماذا ستتعلم في «قراءة خريطة الارتباط الحرارية»؟
اكتشاف الميزات المتكررة بسرعة تتمرن على Data Science Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ Data Science Academy؟
لا تُشترط خبرة سابقة. Data Science Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 3 من أصل 4.
كم من الوقت يستغرق درس «قراءة خريطة الارتباط الحرارية»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس Data Science Academy هذا؟
نعم. كل درس في Data Science Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- الارتباط ليس سببية
- Pearson في مقابل Spearman
- قراءة خريطة الارتباط الحرارية
- الالتواء والتفرطح والتوزيع الطبيعي