Menu
CoddyTech
START LEARNING

Matriks Korelasi

Termasuk bagian Statistik untuk ML dalam perjalanan Machine Learning di Coddy. Pelajaran 31 dari 64.

Memilih fitur berarti membandingkan setiap kolom dengan target sekaligus. df.corr(numeric_only=True) membuat matriks korelasi dengan melewati kolom teks:

laptops = pd.DataFrame({
    "model": ["Arc", "Bolt", "Cove", "Dune", "Echo", "Flux", "Gale"],
    "ram_gb": [8, 16, 8, 32, 16, 16, 32],
    "weight_kg": [2.3, 1.4, 2.0, 1.1, 1.8, 1.2, 1.6],
    "battery_h": [7, 9, 10, 13, 6, 11, 8],
    "price": [650, 1100, 700, 1600, 900, 1350, 1200],
})
corr = laptops.corr(numeric_only=True)

Matriks korelasi empat kolom laptop dalam bentuk kisi angka. Diagonal berisi 1.00 berwarna abu-abu; kolom price disorot: ram_gb 0.81, weight_kg -0.95, battery_h 0.70

Setiap sel adalah nilai r untuk baris dan kolomnya. Untuk menemukan fitur terkuat, urutkan kolom price berdasarkan besar nilainya, abaikan tandanya:

ranked = np.abs(corr["price"]).sort_values(ascending=False)
print(ranked.index[1])

Ini mencetak:

weight_kg

Indeks 0 adalah price itu sendiri, sebesar 1. Laptop yang lebih ringan harganya lebih mahal: -0.95 adalah hubungan terkuat.

challenge icon

Tantangan

Sedang

Sebuah perusahaan energi mensurvei 24 rumah pada musim dingin. homes.csv memiliki kode home dan kolom angka area_m2, insulation_cm, residents, outside_temp_c, dan heating_kwh. Program membaca kolom target.

  1. Cetak kolom target dari matriks korelasi, dibulatkan hingga 2 angka desimal.
  2. Cetak Strongest:, kolom lain yang hubungannya paling kuat dengan kolom tersebut, dan nilai r-nya, seperti di bawah ini.

Untuk survei lain dan target heating_kwh:

windows        0.72
floors         0.68
age_years      0.23
heating_kwh    1.00
Name: heating_kwh, dtype: float64
Strongest: windows (r = 0.72)

Coba sendiri

import numpy as np
import pandas as pd

homes = pd.read_csv("homes.csv")
target = input()

# Tulis kodemu di bawah ini
quiz iconUji dirimu

Pelajaran ini berisi kuis singkat. Mulai pelajarannya untuk menjawab kuis dan melacak progresmu.

Semua pelajaran di Statistik untuk ML

1Pusat dan Sebaran

Rata-rata dan MedianPersentil dan KuartilVarians dan Simpangan BakuSampel atau Populasi?Nilai yang Paling Sering MunculRangkuman: Waktu Pengiriman

4Sampel dan Populasi

Populasi dan SampelRata-rata Sampel BervariasiDistribusi SamplingSampel Lebih Besar, Lebih Sedikit GangguanRangkuman: Jajak Pendapat di Sebuah Kota

7Garis Tren

ResidualPencocokan Kuadrat TerkecilMenggambar Garis KecocokanMemprediksi dengan GarisSeberapa Baik Kecocokannya?Rangkuman: Jam Latihan

10Kategori Encoding

Kategori sebagai AngkaOne-Hot EncodingMengelompokkan AngkaRangkuman: Daftar Mobil

2Distribusi

Histogram KepadatanBentuk DataKurva NormalAturan 68-95-99,7Skor-ZRekap: Daya Tahan Baterai

5Nilai Pencilan

Diagram KotakAturan IQRAturan Z-ScoreMenangani Nilai PencilanRangkuman: Gangguan Sensor

8Membandingkan Kelompok

Diagram Kotak per KelompokPerbedaan Rata-rataMungkinkah Ini Kebetulan?Nilai-pUji-tRangkuman: Uji A/B

11Menjelajahi Dataset

Melihat SekilasSemua Fitur SekaligusFitur Dibandingkan dengan LabelDua Fitur TerbaikRangkuman: Data Diabetes

3Probabilitas melalui Simulasi

Probabilitas sebagai FrekuensiHukum Bilangan BesarJumlah Mata DaduNilai HarapanProbabilitas BersyaratRangkuman: Peluang di Lapak Dadu

6Hubungan

Membaca Diagram PencarKorelasiMatriks KorelasiPeta Panas KorelasiKorelasi Bukan Sebab-AkibatRangkuman: Es Krim dan Matahari

9Skala Fitur

Mengapa Fitur Perlu DiskalakanSkala Min-MaksStandardisasiStandardScalerRekap: Rekan Mendaki

12Tantangan Akhir

Keterlambatan KeretaKualitas UdaraKimia AnggurSurvei Klinik

Latihan sendiri: Compiler Python online