อ่านแผนที่ความร้อนของสหสัมพันธ์
มองเห็นคุณลักษณะที่ซ้ำซ้อนได้อย่างรวดเร็ว
อ่านแผนที่ความร้อนของสหสัมพันธ์ เป็นบทเรียน Data Science Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Data Science Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Data Science Academy มีบทเรียนทั้งหมด 4 บทเรียน
เหตุผลที่ใช้แผนที่ความร้อน
เมื่อมีหลายคอลัมน์ การอ่านสหสัมพันธ์ทีละคู่เป็นเรื่องยุ่งยาก แผนที่ความร้อนจะแสดงทุกคู่พร้อมกันในรูปตารางสี 🔥
เริ่มด้วย corr
ขั้นแรกให้สร้าง เมทริกซ์สหสัมพันธ์ ใน pandas การเรียกใช้ corr กับ DataFrame ที่เป็นตัวเลขจะคืนตารางสี่เหลี่ยมซึ่งจับคู่ทุกคอลัมน์กับคอลัมน์อื่น
corr = df.corr(numeric_only=True)
print(corr.round(2))สร้างกราฟด้วย seaborn
จากนั้นเปลี่ยนเมทริกซ์ให้เป็นสี ฟังก์ชัน heatmap ของ seaborn จะแปลงแต่ละช่องเป็นเฉดสี ทำให้มองเห็นรูปแบบได้ทันที
import seaborn as sns
sns.heatmap(corr, annot=True, cmap="coolwarm")อ่านสี
โดยทั่วไป สีโทนร้อนแสดงความเชื่อมโยง เชิงบวกที่รุนแรง ส่วนสีโทนเย็นแสดงความเชื่อมโยงเชิงลบ ช่องสีจางหรือซีดอยู่ใกล้ศูนย์และบ่งชี้ว่ามีความสัมพันธ์น้อย
เส้นทแยงมุมเป็นหนึ่งเสมอ
เส้นทแยงมุมหลักมีค่าเป็น 1 เสมอ เพราะทุกคอลัมน์มีสหสัมพันธ์กับตัวเองอย่างสมบูรณ์ ไม่ต้องสนใจส่วนนี้ เรื่องสำคัญอยู่ในช่องนอกเส้นทแยงมุม
ตารางมีความสมมาตร
แผนที่ความร้อนมีความ สมมาตรรอบเส้นทแยงมุม เพราะความเชื่อมโยงระหว่าง A กับ B เท่ากับความเชื่อมโยงระหว่าง B กับ A คุณจึงอ่านเพียงครึ่งหนึ่งของตารางก็พอ
แสดงตัวเลขกำกับ
ตั้งค่า annot เป็น True เพื่อให้แต่ละช่องแสดงค่าที่แน่นอน สีช่วยให้เห็นภาพรวม ส่วนตัวเลขช่วยยืนยันความแรงที่แม่นยำ
เลือกชุดสีแบบแยกทิศทาง
เลือกแผนผังสีแบบ diverging เช่น coolwarm เพื่อให้ค่าลบและค่าบวกใช้เฉดสีตรงข้ามกัน โดยมีค่าศูนย์อยู่ตรงกลางในโทนเป็นกลาง ทำให้เห็นทิศทางได้อย่างชัดเจน
ตรวจหาคุณลักษณะที่ซ้ำซ้อน
คุณลักษณะสองรายการที่มีความสัมพันธ์กันสูงมากมักเป็นสิ่งที่ซ้ำซ้อน แผนภาพความร้อนจะช่วยระบุรายการเหล่านี้ เพื่อให้คุณลบออกหนึ่งรายการและทำให้โมเดลง่ายขึ้นโดยสูญเสียข้อมูลสำคัญไปไม่มาก
ค้นหาเป้าหมาย
ตรวจดูแถวหรือคอลัมน์ที่มีตัวแปรเป้าหมายของคุณ เซลล์ที่มีค่าสูงที่สุดในบริเวณนั้นบ่งบอกว่าคุณลักษณะใดอาจมีค่าต่อการทำนายมากที่สุด
ปิดบังครึ่งหนึ่งเพื่อความชัดเจน
เพื่อลดความรก นักวิเคราะห์จำนวนมากจะซ่อนสามเหลี่ยมด้านบนด้วยมาสก์ ผลลัพธ์จึงอ่านได้สะอาดขึ้น โดยยังคงแสดงคู่ข้อมูลที่มีความหมายไว้ครบถ้วน
ตรวจสอบอย่างรวดเร็ว
คุณพบคุณลักษณะสองรายการที่มีค่าสหสัมพันธ์ใกล้ 0.97 ในแผนภาพความร้อน ขั้นตอนถัดไปที่มักทำคืออะไร
ทบทวน
สร้างเมทริกซ์ด้วยค่าสหสัมพันธ์ วาดด้วย seaborn แล้วอ่านเซลล์โทนอุ่นและโทนเย็น ไม่ต้องสนใจแนวทแยง ระวังคุณลักษณะที่ซ้ำซ้อน และตรวจดูแถวของเป้าหมาย ✅
คำถามที่พบบ่อย
บทเรียน “อ่านแผนที่ความร้อนของสหสัมพันธ์” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “อ่านแผนที่ความร้อนของสหสัมพันธ์” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Data Science Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Data Science Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “อ่านแผนที่ความร้อนของสหสัมพันธ์”
มองเห็นคุณลักษณะที่ซ้ำซ้อนได้อย่างรวดเร็ว คุณปฏิบัติ Data Science Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Data Science Academy หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน Data Science Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 3 จากทั้งหมด 4 บทเรียน
บทเรียน “อ่านแผนที่ความร้อนของสหสัมพันธ์” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน Data Science Academy นี้ได้ไหม
ได้ บทเรียน Data Science Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- สหสัมพันธ์ไม่ใช่เหตุเป็นผล
- Pearson กับ Spearman
- อ่านแผนที่ความร้อนของสหสัมพันธ์
- ความเบ้ ความโด่ง และการแจกแจงปกติ