5.8-dars: Heatmap (issiqlik xaritasi)

5-QISM — VIZUALIZATSIYA · 8-dars

1. Kirish va motivatsiya

4.9-darsda korrelyatsiya matritsasini o'rgandik — ko'p o'zgaruvchi orasidagi aloqa jadval sifatida. Lekin 10 ustunli matritsa — 100 son; jadval bilan naqshni ko'rish qiyin. Heatmap (issiqlik xaritasi) — matritsani rang bilan ko'rsatadi: har katak qiymati rang bilan (kuchli — to'q, kuchsiz — och), naqsh bir qarashda ko'rinadi. Data Science'da eng ko'p ishlatilishi — korrelyatsiya matritsasi (sns.heatmap(df.corr(), annot=True)): qaysi o'zgaruvchilar bog'liq (to'q qizil/ko'k), qaysilari mustaqil (och) — bir qarashda. Nega muhim? (1) Naqsh — ko'p sonni rang bilan (matritsa naqshi); (2) Korrelyatsiya — o'zgaruvchi aloqasi (feature tanlash — 20-qism); (3) Zich ma'lumot — katta matritsa bir grafikda. Bu dars heatmap'ni o'rgatadi — matritsani rang bilan.

Heatmap (issiqlik xaritasi) — matritsani rang bilan: sns.heatmap(matritsa) (Seaborn — 5.7), korrelyatsiya (df.corr() — 4.9; eng ko'p), annot=True (katakda son), cmap= (rang xaritasi — coolwarm musbat/manfiy), vmin/vmax (rang chegarasi), naqsh (to'q — kuchli, och — kuchsiz; bir qarashda). Foydalanish: korrelyatsiya, matritsa naqshi, zich ma'lumot. Bu 5.7 (Seaborn), 4.9 (korrelyatsiya matritsasi) bilan bog'liq. Heatmap — matritsa rang bilan. Korrelyatsiya. Naqsh.

Real vaziyat. Data Scientist uy narxi ma'lumotida 8 xususiyat (maydon, xonalar, yosh, joylashuv, ...) — qaysilar narx bilan bog'liq? Korrelyatsiya matritsasi (df.corr() — 4.9): 8×8 = 64 son (jadval — naqsh ko'rinmaydi). Heatmap (sns.heatmap(df.corr(), annot=True, cmap="coolwarm")): har katak rang (to'q qizil — kuchli musbat, to'q ko'k — kuchli manfiy, och — kuchsiz); bir qarashda: narx maydon bilan to'q qizil (0.85 — kuchli), yosh bilan to'q ko'k (-0.6 — teskari), joylashuv id bilan och (0.02 — mustaqil). Data Scientist naqshni ko'rdi (qaysi xususiyat muhim — feature tanlash 20-qism; maydon/yosh — model uchun; id — tashla). Heatmap ko'p sonni rang bilan (matritsa naqshi — bir qarashda). Heatmap — korrelyatsiya naqshi.

Bu darsda heatmap'ni o'rganamiz.

Bu darsda:

• Heatmap nima (matritsa rang bilan)
• Korrelyatsiya heatmap (df.corr())
• annot, cmap (son, rang)
• vmin/vmax (rang chegarasi)
• Heatmap o'qish (naqsh)
• Heatmap amaliyoti
• Heatmap tuzoqlari
• Amaliy: heatmap modeli

ℹ Misollar real seaborn/pandas bilan (Agg — grafik xususiyatlari matn bilan tekshiriladi) ishlaydi.

2. Nazariya — chuqur tushuntirish

2.1. Heatmap nima (matritsa rang bilan)

Rang bilan:

import seaborn as sns

# Heatmap — matritsani rang bilan (to'q — katta, och — kichik)
sns.heatmap(matritsa)

# Har katak qiymati rang bilan → naqsh bir qarashda

Heatmap nima (matritsa rang bilan) — rang: heatmap (issiqlik xaritasi) — 2D matritsani rang bilan ko'rsatadi (sns.heatmap(matritsa) — 5.7 Seaborn; har katak qiymati rangga — to'q katta, och kichik); naqsh bir qarashda (100 son jadval — naqsh ko'rinmas; rang — darhol). Sabab: ko'p son (matritsa — 8×8=64; jadval o'qish qiyin) → rang (naqsh vizual — to'q/och guruh); "rang idrok" (miya rangni sondan tez). Matritsa (2D — qator×ustun), rang (qiymat → rang), naqsh (guruh, aloqa). Heatmap — matritsa rang bilan (naqsh bir qarashda). Matritsa. Rang.

2.2. Korrelyatsiya heatmap (df.corr())

Eng ko'p:

import seaborn as sns

# Korrelyatsiya matritsasi 4.9-bob → heatmap (eng ko'p ishlatilishi)
korr = df.corr()   # -1..+1 matritsa
sns.heatmap(korr, annot=True, cmap="coolwarm")
#   to'q qizil — kuchli musbat, to'q ko'k — kuchli manfiy, och — kuchsiz

Korrelyatsiya heatmap (df.corr()) — eng ko'p: heatmap Data Science'da eng ko'p korrelyatsiya matritsasi uchun (df.corr() — 4.9; -1..+1); sns.heatmap(df.corr(), annot=True, cmap="coolwarm") (to'q qizil — kuchli musbat ~+1, to'q ko'k — kuchli manfiy ~-1, och/oq — kuchsiz ~0). Sabab: ko'p o'zgaruvchan aloqasi (10 ustun — 100 juftlik; jadval qiyin) → rang (qaysi bog'liq — to'q; mustaqil — och; bir qarashda); feature tanlash (model uchun — 20-qism; bog'liq xususiyat, ortiqcha tashla). coolwarm (musbat/manfiy — qizil/ko'k; korrelyatsiya ideal), diagonal (o'zi bilan — 1.0; to'q). Korrelyatsiya heatmap — df.corr() + annot + coolwarm (eng ko'p). Korrelyatsiya. coolwarm.

2.3. annot, cmap (son, rang)

annot, cmap — asosiy parametrlar: annot=True (har katakda son — rang + aniq qiymat; fmt=".2f" — format), cmap= (rang xaritasi — "coolwarm" musbat/manfiy, "viridis" ketma-ket, "YlOrRd" issiqlik), linewidths= (katak orasi chiziq — ajratish), cbar= (rang shkalasi — yon panel). Sabab: annot — rang taxminiy, son aniq (ikkalasi — rang naqsh + son qiymat); cmap — ma'noli rang (korrelyatsiya — divergent coolwarm (0 markaz); ketma-ket — viridis (0'dan katta)). annot (son), cmap (rang turi), fmt (son format), linewidths (ajratish). annot, cmap — son + rang xaritasi. annot. cmap.

2.4. vmin/vmax (rang chegarasi)

vmin/vmax (rang chegarasi) — rang masshtabi: vmin=/vmax= (rang eng kichik/katta qiymat — masshtab qat'iy); center= (rang markazi — 0; divergent cmap). Sabab: heatmap rangni avtomatik masshtablaydi (min-max — ma'lumotga qarab); lekin taqqoslash uchun qat'iy kerak (ikki heatmap — bir masshtab; vmin=-1, vmax=1 korrelyatsiya — doimiy); center=0 (korrelyatsiya — 0 oq/markaz; musbat/manfiy simmetrik). vmin=-1, vmax=1, center=0 (korrelyatsiya standart). vmin/vmax (chegara), center (markaz). vmin/vmax — rang masshtabi (qat'iy). Masshtab. center.

2.5. Heatmap o'qish (naqsh)

Heatmap o'qish (naqsh) — talqin: rang (to'q — kuchli/katta, och — kuchsiz/kichik; cmap'ga qarab), guruh (yaqin to'q kataklar — bog'liq guruh; klaster), diagonal (korrelyatsiya — 1.0 to'q; o'zi bilan), satr/ustun (bir o'zgaruvchi boshqalar bilan — qator/ustun bo'ylab). Sabab: heatmap naqsh uchun (aniq son emas — annot; balki guruh, aloqa); "qaysi bog'liq" (to'q — kuchli), "qaysi mustaqil" (och), "guruh" (to'q blok — o'xshash o'zgaruvchilar). Talqin: to'q (kuchli), och (kuchsiz), blok (guruh), diagonal (o'zi). Heatmap o'qish — rang, guruh, naqsh (talqin). Naqsh. Guruh.

2.6. Heatmap amaliyoti

Heatmap amaliyoti: df.corr() (korrelyatsiya — 4.9; eng ko'p); sns.heatmap(korr, annot=True, cmap="coolwarm", vmin=-1, vmax=1, center=0) (son + divergent + qat'iy masshtab); fmt=".2f" (son format); linewidths=0.5 (katak ajratish); plt.figure(figsize=(10,8)) (katta matritsa — katta o'lcham); talqin (to'q — bog'liq; och — mustaqil; blok — guruh). Tuzoqlar: cmap noto'g'ri (korrelyatsiya — divergent), annot ko'p (katta matritsa — o'qib bo'lmas), masshtab (vmin/vmax — taqqoslash), sababiyat (korrelyatsiya ≠ sabab — 4.10). Amaliyot — corr, heatmap, coolwarm, talqin. Korrelyatsiya. Naqsh.

2.7. Heatmap tuzoqlari

Heatmap asosiy tuzoqlari: cmap noto'g'ri (korrelyatsiya (-1..+1) — divergent (coolwarm — 0 markaz oq); ketma-ket (viridis) — 0 markaz emas, noto'g'ri idrok); annot ko'p (katta matritsa (20×20) — annot=True son o'qib bo'lmas; katta — annot'siz, faqat rang); masshtab yo'q (vmin/vmax yo'q — avtomatik (ma'lumot min-max); ikki heatmap taqqoslash — turli masshtab, aldash; qat'iy — vmin=-1, vmax=1); sababiyat (korrelyatsiya heatmap — aloqa, sabab EMAS — 4.10; to'q qizil ≠ sabab); diagonal chalg'ish (korrelyatsiya diagonal — 1.0 (o'zi bilan; doim to'q; ma'nosiz); e'tibor — diagonaldan tashqari); yarim matritsa (korrelyatsiya simmetrik (yuqori = pastki); mask — yarim ko'rsatish; ortiqcha yarmi olib tashlash); rang idrok (rang — taxminiy (aniq son — annot); faqat rang — noaniq); o'lcham (katta matritsa — figsize katta; kichik — katak/yorliq siqiladi). Sabab: heatmap rang/masshtab/talqin nozik (cmap, masshtab, sababiyat — xato idrok). Yechim: divergent cmap, qat'iy masshtab, katta annot'siz, korrelyatsiya ≠ sabab. Tuzoqlar — cmap, annot, masshtab, sababiyat.

2.8. Heatmap — matritsa naqshini rang bilan

Heatmap asosiy g'oyasi — matritsa naqshini rang bilan: 2D matritsa (ko'p son — jadval o'qish qiyin) → rang (naqsh vizual — bir qarashda); Data Science'da eng ko'p korrelyatsiya matritsasi uchun 4.9-bob. sns.heatmap(df.corr(), annot=True, cmap="coolwarm", vmin=-1, vmax=1, center=0) — korrelyatsiya (to'q qizil kuchli musbat, to'q ko'k manfiy, och kuchsiz), son (annot), divergent (coolwarm — 0 markaz), qat'iy masshtab (vmin/vmax/center). Talqin: to'q (bog'liq), och (mustaqil), blok (guruh), diagonal (o'zi — 1.0). Foydalanish: korrelyatsiya (o'zgaruvchan aloqa — feature tanlash 20-qism), matritsa naqshi (guruh, klaster), zich ma'lumot (katta matritsa bir grafikda). Naqsh (rang — aniq son emas; annot — aniq). Tuzoqlar: cmap (divergent korrelyatsiya), annot (katta — o'qib bo'lmas), masshtab (qat'iy), sababiyat (aloqa ≠ sabab — 4.10). Bu 5.7 (Seaborn) ustida va 4.9 (korrelyatsiya matritsa), 4.10 (sababiyat) bilan. Heatmap — matritsa naqshini rang bilan (korrelyatsiya — eng ko'p). Matritsa. Naqsh. Korrelyatsiya.

3. Tez ma'lumotnoma

import seaborn as sns
import matplotlib.pyplot as plt

# KORRELYATSIYA HEATMAP (eng ko'p ishlatilishi):
korr = df.corr()   # -1..+1 matritsa (4.9)
sns.heatmap(korr, annot=True, cmap="coolwarm", vmin=-1, vmax=1, center=0)
#   to'q qizil — kuchli musbat · to'q ko'k — manfiy · och — kuchsiz

# PARAMETRLAR:
annot=True        # katakda son (rang + aniq qiymat)
fmt=".2f"         # son format
cmap="coolwarm"   # rang (divergent — korrelyatsiya) · viridis (ketma-ket)
vmin=-1, vmax=1   # rang masshtabi (qat'iy — taqqoslash)
center=0          # rang markazi (0 — korrelyatsiya)
linewidths=0.5    # katak ajratish

# KATTA MATRITSA:
plt.figure(figsize=(12, 10))   # katta o'lcham
sns.heatmap(korr, cmap="coolwarm")   # annot'siz (o'qib bo'lmas)

TALQIN: to'q (bog'liq) · och (mustaqil) · blok (guruh) · diagonal (o'zi=1)
QOIDA: divergent cmap · qat'iy masshtab · korrelyatsiya ≠ sabab (4.10)

Heatmap xulosasi

Heatmap — matritsa naqshini rang bilan (bir qarashda)
Korrelyatsiya — df.corr() + heatmap (eng ko'p; feature tanlash)
annot/cmap — son + rang (coolwarm divergent)
vmin/vmax/center — qat'iy masshtab (taqqoslash)
Talqin — to'q (bog'liq), och (mustaqil), aloqa ≠ sabab

4. Batafsil misollar

Misollar real seaborn/pandas bilan (Agg — grafik xususiyatlari matn bilan tekshiriladi) ishlaydi.

Misol 1 — Korrelyatsiya heatmap

"""Korrelyatsiya heatmap (real seaborn/pandas)."""

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns


def main() -> None:
    np.random.seed(0)
    n = 100
    maydon = np.random.normal(80, 20, n)
    narx = maydon * 3 + np.random.normal(0, 10, n)   # bog'liq
    yosh = np.random.normal(15, 5, n)                 # mustaqil
    df = pd.DataFrame({"maydon": maydon, "narx": narx, "yosh": yosh})

    print("=== 1. Korrelyatsiya matritsasi ===")
    korr = df.corr().round(2)
    print(korr.to_string())

    print("\n=== 2. Heatmap ===")
    fig, ax = plt.subplots()
    sns.heatmap(korr, annot=True, cmap="coolwarm", vmin=-1, vmax=1, ax=ax)
    print(f"  kataklar (matritsa): {korr.shape}")

    print("\n=== 3. Talqin ===")
    print(f"  maydon-narx: {korr.loc['maydon', 'narx']} (kuchli — to'q qizil)")
    print(f"  maydon-yosh: {korr.loc['maydon', 'yosh']} (kuchsiz — och)")

    print("\n=== 4. Diagonal ===")
    print(f"  maydon-maydon: {korr.loc['maydon', 'maydon']} (o'zi — 1.0)")
    plt.close("all")
    print("  ⭐ Heatmap — korrelyatsiya naqshi (rang)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Korrelyatsiya matritsasi ===
        maydon  narx  yosh
maydon    1.00  0.99  0.08
narx      0.99  1.00  0.08
yosh      0.08  0.08  1.00

=== 2. Heatmap ===
  kataklar (matritsa): (3, 3)

=== 3. Talqin ===
  maydon-narx: 0.99 (kuchli — to'q qizil)
  maydon-yosh: 0.08 (kuchsiz — och)

=== 4. Diagonal ===
  maydon-maydon: 1.0 (o'zi — 1.0)
  ⭐ Heatmap — korrelyatsiya naqshi (rang)

Nima ko'rsatdi: 2.1, 2.2-bo'limlar.

Misol 2 — annot va cmap

"""Heatmap annot va cmap (real seaborn)."""

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns


def main() -> None:
    korr = pd.DataFrame(
        [[1.0, 0.8, -0.3], [0.8, 1.0, -0.5], [-0.3, -0.5, 1.0]],
        columns=["a", "b", "c"], index=["a", "b", "c"],
    )

    print("=== 1. annot=True (son) ===")
    fig, ax = plt.subplots()
    sns.heatmap(korr, annot=True, cmap="coolwarm", vmin=-1, vmax=1, ax=ax)
    print(f"  matnlar (annot): {len(ax.texts) > 0}")

    print("\n=== 2. cmap coolwarm (divergent) ===")
    print("  to'q qizil (+1), to'q ko'k (-1), oq (0)")

    print("\n=== 3. Musbat/manfiy ===")
    print(f"  a-b: {korr.loc['a', 'b']} (musbat — qizil)")
    print(f"  b-c: {korr.loc['b', 'c']} (manfiy — ko'k)")

    print("\n=== 4. vmin/vmax (masshtab) ===")
    print("  vmin=-1, vmax=1 (korrelyatsiya — qat'iy)")
    plt.close("all")
    print("  ⭐ annot (son) + cmap (rang)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. annot=True (son) ===
  matnlar (annot): True

=== 2. cmap coolwarm (divergent) ===
  to'q qizil (+1), to'q ko'k (-1), oq (0)

=== 3. Musbat/manfiy ===
  a-b: 0.8 (musbat — qizil)
  b-c: -0.5 (manfiy — ko'k)

=== 4. vmin/vmax (masshtab) ===
  vmin=-1, vmax=1 (korrelyatsiya — qat'iy)
  ⭐ annot (son) + cmap (rang)

Nima ko'rsatdi: 2.3, 2.4-bo'limlar.

Misol 3 — Naqsh o'qish

"""Heatmap naqsh o'qish (real pandas)."""

import numpy as np
import pandas as pd


def main() -> None:
    np.random.seed(0)
    n = 200
    # bog'liq guruh: x1, x2 (o'xshash); mustaqil: z
    x1 = np.random.normal(0, 1, n)
    x2 = x1 * 0.9 + np.random.normal(0, 0.3, n)
    z = np.random.normal(0, 1, n)
    df = pd.DataFrame({"x1": x1, "x2": x2, "z": z})

    korr = df.corr().round(2)

    print("=== 1. Korrelyatsiya matritsasi ===")
    print(korr.to_string())

    print("\n=== 2. Bog'liq guruh (to'q blok) ===")
    print(f"  x1-x2: {korr.loc['x1', 'x2']} (kuchli — to'q blok)")

    print("\n=== 3. Mustaqil (och) ===")
    print(f"  x1-z: {korr.loc['x1', 'z']} (kuchsiz — och)")

    print("\n=== 4. Talqin ===")
    print("  to'q blok = bog'liq guruh; och = mustaqil")
    print("  ⭐ Heatmap — naqsh (guruh, mustaqil)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Korrelyatsiya matritsasi ===
      x1    x2     z
x1  1.00  0.96 -0.06
x2  0.96  1.00 -0.00
z  -0.06 -0.00  1.00

=== 2. Bog'liq guruh (to'q blok) ===
  x1-x2: 0.96 (kuchli — to'q blok)

=== 3. Mustaqil (och) ===
  x1-z: -0.06 (kuchsiz — och)

=== 4. Talqin ===
  to'q blok = bog'liq guruh; och = mustaqil
  ⭐ Heatmap — naqsh (guruh, mustaqil)

Nima ko'rsatdi: 2.5-bo'lim.

Misol 4 — Katta matritsa (annot'siz)

"""Katta matritsa heatmap (real seaborn)."""

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns


def main() -> None:
    np.random.seed(0)
    # 8 ustunli matritsa
    data = np.random.normal(0, 1, (100, 8))
    df = pd.DataFrame(data, columns=[f"x{i}" for i in range(8)])
    korr = df.corr()

    print("=== 1. Katta matritsa ===")
    print(f"  o'lcham: {korr.shape} ({korr.size} son)")

    print("\n=== 2. Katta o'lcham (figsize) ===")
    fig, ax = plt.subplots(figsize=(10, 8))
    sns.heatmap(korr, cmap="coolwarm", vmin=-1, vmax=1, ax=ax)
    print(f"  o'lcham (dyuym): {fig.get_size_inches().tolist()}")

    print("\n=== 3. annot'siz (o'qib bo'lmas) ===")
    print("  katta matritsa — faqat rang (son o'qib bo'lmas)")

    print("\n=== 4. Diagonal ===")
    diagonal = np.diag(korr.values)
    print(f"  diagonal (o'zi): {[round(v, 1) for v in diagonal[:3]]}...")
    plt.close("all")
    print("  ⭐ Katta matritsa — rang (annot'siz)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Katta matritsa ===
  o'lcham: (8, 8) (64 son)

=== 2. Katta o'lcham (figsize) ===
  o'lcham (dyuym): [10.0, 8.0]

=== 3. annot'siz (o'qib bo'lmas) ===
  katta matritsa — faqat rang (son o'qib bo'lmas)

=== 4. Diagonal ===
  diagonal (o'zi): [np.float64(1.0), np.float64(1.0), np.float64(1.0)]...
  ⭐ Katta matritsa — rang (annot'siz)

Nima ko'rsatdi: 2.6, 2.7-bo'limlar.

5. To'g'ri va noto'g'ri tushunishlar

6. Keng tarqalgan xatolar va yechimlari

1. cmap noto'g'ri (korrelyatsiya)

sns.heatmap(df.corr(), cmap="viridis")   # 0 markaz emas          # ⚠️
sns.heatmap(df.corr(), cmap="coolwarm", center=0)   # divergent   # ✅

2. annot katta matritsa

sns.heatmap(korr_20x20, annot=True)   # 400 son (o'qib bo'lmas)   # ⚠️
sns.heatmap(korr_20x20, cmap="coolwarm")   # faqat rang           # ✅

3. Masshtab yo'q

sns.heatmap(df.corr())   # avtomatik (taqqoslash xato)            # ⚠️
sns.heatmap(df.corr(), vmin=-1, vmax=1, center=0)   # qat'iy      # ✅

4. Sababiyat

# to'q qizil → "sabab" (xato)                                      # ⚠️
# to'q qizil → aloqa (sabab emas — 4.10)                          # ✅

5. Kichik o'lcham (katta matritsa)

sns.heatmap(korr_20x20)   # yorliq siqiladi                        # ⚠️
plt.figure(figsize=(14, 12)); sns.heatmap(...)   # katta          # ✅

6. Diagonal e'tibor

# diagonal 1.0 → "kuchli" (o'zi bilan — ma'nosiz)                  # ⚠️
# diagonaldan tashqari (haqiqiy aloqa)                             # ✅

7. fmt unutish

sns.heatmap(korr, annot=True)   # 0.847291... (uzun)              # ⚠️
sns.heatmap(korr, annot=True, fmt=".2f")   # 0.85                 # ✅

7. Integratsiya — bu bilim qayerda kerak bo'ladi

• 5.7-dars (o'tilgan): Seaborn (heatmap)
• 4.9-dars (o'tilgan): Korrelyatsiya matritsasi
• 4.10-dars (o'tilgan): Korrelyatsiya ≠ sabab
• 5.10-dars: Ko'p grafik (subplots)
• 20-qism (reja): Feature tanlash (korrelyatsiya)

8. Eng yaxshi amaliyotlar

1. Korrelyatsiya — df.corr() + heatmap.

2. cmap — divergent (coolwarm, center=0).

3. Masshtab — vmin=-1, vmax=1.

4. annot — kichik matritsa (fmt=".2f").

5. Katta matritsa — annot'siz (faqat rang).

6. o'lcham — figsize (katta matritsa).

7. Talqin — aloqa (sabab emas — 4.10).

8. Diagonal — o'zi (1.0 — e'tibor bermang).

9. Amaliy topshiriq

Vazifa 1: Bashorat qiling

1.  # Heatmap nima?
2.  # Eng ko'p ishlatilishi?
3.  # df.corr() nima?
4.  # annot nima?
5.  # cmap coolwarm?
6.  # vmin/vmax nima?
7.  # to'q qizil?
8.  # och rang?
9.  # diagonal nima?
10. # katta matritsa annot?
11. # to'q qizil = sabab?
12. # nega heatmap muhim?

Vazifa 2: Xatolarni tuzating

1.  sns.heatmap(df.corr(), cmap="viridis")

2.  sns.heatmap(korr_20x20, annot=True)

3.  sns.heatmap(df.corr())   # masshtab

4.  # to'q qizil → sabab

5.  sns.heatmap(korr, annot=True)   # fmt

1.  cmap="coolwarm", center=0 (divergent)

2.  cmap="coolwarm" (annot'siz)

3.  vmin=-1, vmax=1, center=0

4.  aloqa (sabab emas — 4.10)

5.  fmt=".2f"

Vazifa 3: Heatmap

Modellang:

1. Matritsa rang bilan
2. Naqsh
3. Korrelyatsiya
4. Bir qarashda

Vazifa 4: Parametrlar

Modellang:

1. annot (son)
2. cmap (rang)
3. vmin/vmax (masshtab)
4. center (markaz)

Vazifa 5: Talqin

Modellang:

1. To'q (bog'liq)
2. Och (mustaqil)
3. Blok (guruh)
4. Aloqa ≠ sabab

Vazifa 6: Integratsiya

Modellang:

1. df.corr()
2. Feature tanlash
3. Seaborn
4. Naqsh

Vazifa 7: O'ylash

Heatmap korrelyatsiya matritsasini rang bilan ko'rsatadi — ko'p o'zgaruvchi aloqasini bir qarashda. Lekin "to'q qizil" (kuchli korrelyatsiya) sababiyatni anglatmaydi 4.10-bob, va yashirin o'zgaruvchi ikki mustaqil o'zgaruvchini bog'liq ko'rsatishi mumkin. Nima uchun heatmap "gipoteza generatori" (tekshirish emas), va Data Scientist heatmap'dan qanday to'g'ri (va noto'g'ri) foydalanadi?

Nimani mustahkamlaydi: 2.5, 2.7-bo'limlar.

Xulosa

Bu darsda heatmap'ni o'rgandik.

Eng muhim uch fikr:

1. Heatmap va korrelyatsiya. Heatmap (issiqlik xaritasi) — 2D matritsani rang bilan (sns.heatmap(matritsa) — 5.7; to'q katta, och kichik; naqsh bir qarashda). Data Science'da eng ko'p korrelyatsiya matritsasi uchun (df.corr() — 4.9): sns.heatmap(df.corr(), annot=True, cmap="coolwarm", vmin=-1, vmax=1, center=0) (to'q qizil kuchli musbat, to'q ko'k manfiy, och kuchsiz; feature tanlash — 20-qism).

2. Parametrlar va masshtab. annot=True (katakda son — rang + aniq; fmt=".2f"), cmap= (rang xaritasi — korrelyatsiya divergent coolwarm + center=0; ketma-ket viridis), vmin/vmax (rang masshtabi — qat'iy; taqqoslash — korrelyatsiya -1..+1). Katta matritsa — annot'siz (faqat rang — o'qib bo'lmas), figsize katta.

3. Naqsh va talqin. Talqin: to'q (bog'liq), och (mustaqil), blok (guruh — o'xshash o'zgaruvchi), diagonal (o'zi — 1.0; e'tibor bermang). Heatmap — matritsa naqshini rang bilan (korrelyatsiya — eng ko'p; kashfiyot/gipoteza generatori — tekshirish emas). Tuzoqlar: cmap (divergent korrelyatsiya), annot (katta — o'qib bo'lmas), masshtab (qat'iy), sababiyat (aloqa ≠ sabab — 4.10; to'q qizil ≠ sabab), chiziqli (Pearson — nochiziqli o'tkazib yuboradi).

Keyingi darsda taqsimot grafiklari (KDE, violin)ni o'rganamiz: ma'lumot taqsimotini silliq egri bilan ko'rsatish — histogram 5.5-bobdan chiroyliroq, guruh taqqoslash (violinplot — box + shakl).