خرائط الارتباط الحرارية

جزء من قسم الإحصاء لتعلّم الآلة في رحلة Machine Learning على Coddy. الدرس 32 من 64.

مصفوفة من عشرين سمة هي جدار من الأرقام. تُلوّن الخريطة الحرارية كل خلية، فتبرز الأزواج ذات الارتباط القوي. ثمانية أيام في دار سينما:

خريطة حرارية 4 في 4 بعنوان ارتباطات دار السينما، مع شريط ألوان من -1 إلى 1. تظهر التذاكر والفشار باللون الأحمر الداكن معًا، ويظهر temp_c باللون الأزرق الداكن مقارنةً بكليهما، بينما يظهر صف الموظفين بلون باهت

يرسم هذا الكود الشكل:

cinema = pd.DataFrame({
    "tickets": [120, 340, 210, 410, 180, 290, 380, 150],
    "popcorn": [70, 150, 100, 200, 95, 120, 170, 60],
    "temp_c": [24, 12, 15, 9, 20, 19, 11, 22],
    "staff": [6, 5, 8, 7, 5, 6, 6, 8],
})
corr = cinema.corr()
fig, ax = plt.subplots()
im = ax.imshow(corr, cmap="coolwarm", vmin=-1, vmax=1)
fig.colorbar(im)
ax.set_xticks(range(4), corr.columns)
ax.set_yticks(range(4), corr.columns)
ax.set_title("Cinema Correlations")
plt.show()

يُثبّت vmin=-1, vmax=1 الألوان: الأحمر هو 1، والأبيض 0، والأزرق -1. يضيف fig.colorbar(im) مفتاح الألوان، وتُسمّي set_xticks(positions, labels) الخلايا.

تتوهج التذاكر والفشار باللون الأحمر معًا؛ والأيام الدافئة زرقاء مقارنةً بهما. لا تكاد أهمية التوظيف تُذكر.

التحدي

متوسط

سجّلت ساعة ذكية بيانات لمدة 30 يومًا في watch.csv: عمودًا نصيًا باسم weekday وخمسة أعمدة رقمية.

احسب مصفوفة الارتباط للأعمدة الرقمية.
اعرضها كخريطة حرارية باستخدام coolwarm من -1 إلى 1، مع شريط ألوان.
ضع أسماء الأعمدة كتسميات للتدريجات أفقيًا وعموديًا، واجعل العنوان Watch Data، ثم اعرضها.

لا يطبع برنامجك أي شيء. بالنسبة إلى أعمدة مالك آخر الثلاثة، يبدو المخطط كما يلي:

خريطة حرارية بحجم 3 × 3 بعنوان Watch Data، وتسميات التدريجات هي steps وsleep_h وstress، وشريط الألوان من -1 إلى 1: القطر باللون الأحمر، وsleep_h وstress بالأزرق الداكن، وsteps وsleep_h بالأحمر الفاتح

جرّب بنفسك

import pandas as pd
import matplotlib.pyplot as plt

watch = pd.read_csv("watch.csv")

# اكتب الكود الخاص بك أدناه

اختبر نفسك

يتضمن هذا الدرس اختبارًا قصيرًا. ابدأ الدرس للإجابة عليه وتتبّع تقدمك.

جميع دروس الإحصاء لتعلّم الآلة

1المركز والتشتت

المتوسط والوسيط المئينات والربيعات التباين والانحراف المعياري عينة أم مجتمع؟القيمة الأكثر شيوعًا مراجعة: أوقات التسليم

4العينات والمجتمعات الإحصائية

المجتمع والعينة تختلف متوسطات العينات توزيع المعاينة عينات أكبر، ضوضاء أقل مراجعة: استطلاع آراء بلدة

7خطوط الاتجاه

البواقي ملاءمة المربعات الصغرى رسم خط الملاءمة التنبؤ باستخدام خط ما مدى جودة الملاءمة؟مراجعة: ساعات التدريب

10ترميز الفئات

تمثيل الفئات بالأرقام الترميز أحادي الواحد تجميع الأرقام في فئات مراجعة: إعلانات السيارات

2التوزيعات

مدرجات التكرار للكثافة أشكال البيانات المنحنى الطبيعي قاعدة 68-95-99.7 الدرجات المعيارية Z مراجعة: عمر البطارية

5القيم المتطرفة

المخططات الصندوقية قاعدة المدى الربيعي (IQR)قاعدة الدرجة المعيارية (Z-Score)التعامل مع القيم المتطرفة مراجعة: أعطال المستشعرات

8مقارنة المجموعات

مخططات الصندوق حسب المجموعة الفرق بين المتوسطات هل يمكن أن يكون ذلك محض صدفة؟القيم الاحتمالية (P-Values)اختبار t مراجعة: اختبار A/B

11استكشاف مجموعة بيانات

نظرة أولى جميع السمات دفعة واحدة السمات مقابل الوسم أفضل سمتين مراجعة: بيانات السكري

3الاحتمالات بالمحاكاة

الاحتمال بوصفه تكرارًا قانون الأعداد الكبيرة مجاميع رميات النرد القيمة المتوقعة الاحتمال الشرطي مراجعة: احتمالات كشك النرد

6العلاقات

قراءة المخططات المبعثرة الارتباط مصفوفة الارتباطخرائط الارتباط الحراريةالارتباط لا يعني السببية مراجعة: الآيس كريم والشمس

9تحجيم الميزات

لماذا نُحجِّم الميزات؟التحجيم من الحد الأدنى إلى الأقصى التوحيد القياسي StandardScaler مراجعة: شركاء التسلق

12التحديات النهائية

تأخيرات القطارات جودة الهواء كيمياء النبيذ استبيان العيادة

تدرّب بنفسك: مترجم Python عبر الإنترنت