Eine Korrelations-Heatmap lesen
Redundante Merkmale schnell erkennen
Eine Korrelations-Heatmap lesen ist eine kostenlose Data Science Academy-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Data Science Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Warum eine Heatmap?
Bei vielen Spalten ist es mühsam, Korrelationen paarweise zu lesen. Eine Heatmap zeigt alle Paare gleichzeitig als Raster aus Farben. 🔥
Mit corr beginnen
Erstellen Sie zunächst eine Korrelationsmatrix. In pandas liefert der Aufruf von corr für einen numerischen DataFrame eine quadratische Tabelle, in der jede Spalte mit jeder anderen kombiniert wird.
corr = df.corr(numeric_only=True)
print(corr.round(2))Mit seaborn darstellen
Wandeln Sie diese Matrix anschließend in Farben um. Die seaborn-Funktion heatmap ordnet jeder Zelle einen Farbton zu, sodass Muster sofort hervorstechen.
import seaborn as sns
sns.heatmap(corr, annot=True, cmap="coolwarm")Die Farben lesen
Warme Farben kennzeichnen normalerweise starke positive Zusammenhänge, kühle Farben negative. Blasse, verwaschene Zellen liegen nahe null und weisen auf einen geringen Zusammenhang hin.
Die Diagonale ist immer Eins
Die Hauptdiagonale ist immer 1, da jede Spalte perfekt mit sich selbst korreliert. Ignorieren Sie sie; die eigentliche Aussage steckt in den Zellen außerhalb der Diagonale.
Das Raster ist symmetrisch
Eine Heatmap ist an der Diagonale symmetrisch, weil der Zusammenhang zwischen A und B dem Zusammenhang zwischen B und A entspricht. Sie müssen daher nur ein Dreieck lesen.
Zahlen annotieren
Setzen Sie annot auf True, damit jede Zelle ihren genauen Wert anzeigt. Die Farben vermitteln das Gesamtbild, während die Zahlen die präzise Stärke bestätigen.
Eine divergierende Farbpalette wählen
Wählen Sie eine divergierende Farbkarte wie coolwarm, sodass negative und positive Werte entgegengesetzte Farbtöne erhalten und null in der Mitte neutral bleibt. Dadurch wird die Richtung deutlich.
Redundante Merkmale erkennen
Zwei stark korrelierte Merkmale sind oft redundant. Die Heatmap macht sie sichtbar, sodass Sie eines entfernen und ein Modell vereinfachen können, ohne viel Signal zu verlieren.
Nach dem Ziel suchen
Durchsuchen Sie die Zeile oder Spalte Ihrer Zielvariable. Die stärksten Zellen geben Hinweise darauf, welche Merkmale den größten Vorhersagewert haben könnten.
Für mehr Übersicht eine Hälfte maskieren
Um die Darstellung übersichtlicher zu machen, blenden viele Analysten das obere Dreieck mit einer Maske aus. Das Ergebnis ist klarer, während jedes aussagekräftige Paar sichtbar bleibt.
Schnelltest
Auf Ihrer Heatmap entdecken Sie zwei Merkmale mit einer Korrelation nahe 0,97. Was ist ein üblicher nächster Schritt?
Zusammenfassung
Erstellen Sie mit corr eine Matrix, stellen Sie sie mit seaborn dar und lesen Sie warme und kühle Zellen. Ignorieren Sie die Diagonale, achten Sie auf redundante Merkmale und prüfen Sie die Zielzeile. ✅
Häufig gestellte Fragen
Ist die Lektion „Eine Korrelations-Heatmap lesen“ kostenlos?
Ja — der vollständige Text von „Eine Korrelations-Heatmap lesen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Data Science Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Eine Korrelations-Heatmap lesen“?
Redundante Merkmale schnell erkennen Du übst Data Science Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Data Science Academy zu starten?
Keine Vorkenntnisse erforderlich. Data Science Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Eine Korrelations-Heatmap lesen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Data Science Academy-Lektion Code schreiben und ausführen?
Ja. Jede Data Science Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Korrelation ist keine Kausalität
- Pearson oder Spearman
- Eine Korrelations-Heatmap lesen
- Schiefe, Kurtosis und Normalverteilung