Новая идея для тепловой карты — анализ данных

напиши первым

Визуализация данных часто может помочь нам проанализировать состав признаков, найти интервалы признаков и объяснить функцию экспериментальных результатов. Тепловые карты — один из наиболее часто используемых методов визуализации данных.

код

def plot_heatmap(df, imagSavePath):
    """
    :param df: dataframe, which has column names
    :param imagSavePath: save the image to this path
    :return: no return, save files
    """
    matrix = abs(df.corr())
    plt.subplots(figsize=(50, 50))  # 设置画面大小
    sns.heatmap(matrix)
    plt.savefig(imagSavePath)

Наша функция вводит кадр данных, а затем записывает изображение по указанному пути. Вообще не очень понятно выводить напрямую, но лучше сохранить.

Стоит отметить, что диапазон значений матрицы корреляции, первоначально рассчитанной функцией corr(), равен (-1, 1), -1 представляет собой полную отрицательную корреляцию, 1 представляет собой полную положительную корреляцию, а 0 представляет отсутствие корреляции. Я думаю, что в области машинного обучения отрицательная корреляция в некотором смысле согласуется с положительной корреляцией. Таким образом, неуместность — это то, что мы считаем бессмысленным. Поэтому я добавил ему пресс, чтобы получить абсолютное значение