Heatmaps

Varmekort bruger farveintensitet til at repræsentere værdier. Højere værdier vises normalt med mørkere eller klarere farver, mens lavere værdier vises med lysere eller mere afdæmpede farver.

Det gør det nemt at få øje på mønstre eller afvigelser.

Overvej en korrelationsmatrix, der viser sammenhænge mellem variabler:

A: 1.0, B: 0.8, C: 0.4
B: 0.8, C: 0.5, D: 0.2
C: 0.4, D: 0.2, E: 0.9

Et varmekort kan gøre disse sammenhænge nemmere at fortolke visuelt.

Vi kan bruge biblioteker som Seaborn til effektivt at oprette varmekort.

import seaborn as sns
import matplotlib.pyplot as plt

# Example data
correlation_matrix = [[1.0, 0.8, 0.4], [0.8, 1.0, 0.5], [0.4, 0.5, 1.0]]
labels = ['A', 'B', 'C']

sns.heatmap(correlation_matrix, annot=True, xticklabels=labels, yticklabels=labels, cmap='coolwarm')
plt.title('Heatmap Example')
plt.show()

Når du fortolker varmekort, skal du være opmærksom på:

• Mørkere eller lysere farver for stærke korrelationer.
• Lyse eller neutrale farver for svage korrelationer.
• Diagonale elementer viser ofte selvkorrelation (altid 1.0).

Undgå følgende fejl:

• Brug af for mange variabler, så varmekortet bliver ulæseligt.
• Valg af en farvepalet, der er svær at fortolke.
• Fejltolkning af korrelation som årsagssammenhæng.

Varmekort kan bruges inden for:

• Maskinlæring: Visualisering af egenskabernes betydning.
• Markedsføring: Sporing af brugeradfærd på websteder.
• Sundhedsvæsenet: Overvågning af udviklingen i patientdata.

I denne lektion gennemgik du:

• Formålet med og anvendelserne af varmekort.
• Hvordan du opretter varmekort i Python ved hjælp af Seaborn.
• Almindelige fejl og tips til fortolkning.

Dernæst lærer du om interaktive visualiseringer ved hjælp af Plotly og Dash.