Peta Haba

Heatmap menggunakan keamatan warna untuk mewakili nilai. Nilai yang lebih tinggi biasanya ditunjukkan dengan warna yang lebih gelap atau lebih terang, manakala nilai yang lebih rendah menggunakan warna yang lebih muda atau lebih kusam.

Hal ini membolehkan corak atau anomali menyerlah dengan mudah.

Pertimbangkan matriks korelasi yang menunjukkan hubungan antara pemboleh ubah:

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

Heatmap boleh memudahkan tafsiran hubungan ini secara visual.

Kita boleh menggunakan pustaka seperti Seaborn untuk mencipta heatmap dengan cekap.

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()

Semasa mentafsir peta haba, pertimbangkan:

• Warna yang lebih gelap atau lebih terang untuk korelasi yang kuat.
• Warna yang lebih cerah atau neutral untuk korelasi yang lemah.
• Elemen pepenjuru sering menunjukkan korelasi kendiri (sentiasa 1.0).

Elakkan kesilapan berikut:

• Menggunakan terlalu banyak pemboleh ubah sehingga heatmap sukar dibaca.
• Memilih palet warna yang sukar ditafsirkan.
• Menyalah tafsir korelasi sebagai sebab dan akibat.

Heatmap boleh digunakan dalam:

• Pembelajaran Mesin: Memvisualisasikan kepentingan ciri.
• Pemasaran: Menjejaki tingkah laku pengguna di laman web.
• Penjagaan Kesihatan: Memantau aliran data pesakit.

Dalam pelajaran ini, kita telah membincangkan:

• Tujuan dan aplikasi peta haba.
• Cara mencipta peta haba dalam Python menggunakan Seaborn.
• Kesilapan lazim dan petua untuk pentafsiran.

Seterusnya, kita akan mempelajari tentang visualisasi interaktif menggunakan Plotly dan Dash.