Peta Haba

Peta haba ialah gambaran grafik data yang nilai individunya diwakili oleh warna. Peta haba sering digunakan untuk memvisualisasikan korelasi, matriks atau set data yang besar.

Peta haba sesuai untuk:

• Menganalisis matriks korelasi dalam set data.
• Memvisualisasikan corak klik pada laman web.
• Memaparkan kepadatan pada peta geografi.

Peta haba 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 cerah atau lebih pudar.

Hal ini membolehkan corak atau anomali lebih mudah dikenal pasti.

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

Peta haba boleh menjadikan hubungan ini lebih mudah ditafsir secara visual.

Kita boleh menggunakan pustaka seperti Seaborn untuk mencipta peta haba 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.
• Unsur pepenjuru sering menunjukkan korelasi kendiri (sentiasa 1.0).

Elakkan kesilapan berikut:

• Menggunakan terlalu banyak pemboleh ubah sehingga peta haba sukar dibaca.
• Memilih palet warna yang sukar ditafsir.
• Salah mentafsir korelasi sebagai hubungan sebab-akibat.

Peta haba boleh digunakan dalam:

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

Dalam pelajaran ini, kita telah membincangkan:

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

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