Visualisierung von Korrelationen
Auch wenn Korrelationen keine Kausalität bedeuten, geben sie die Stärke und Richtung an, in der zwei Variablen zusammenhängen. Das ist besonders nützlich, wenn A/B-Tests aufgrund fehlender Ressourcen oder begrenzter Daten/Nutzerbasis nicht möglich sind.
Der Datensatz admissions ist bereits geladen und enthält verschiedene Informationen wie GRE-Score, TOEFL-Score, SOP (Statement of Purpose), LOR (Letter of Recommendation), CGPA und die Zulassungschance. Du untersuchst die Beziehung zwischen einigen dieser Merkmale und wie sich die Zulassungschance mit Veränderungen dieser Variablen verändert.
Diese Übung ist Teil des Kurses
A/B-Tests in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Import seaborn for visualization
import ____ as ____
# Visualize the variables in a pairplot
____.____(admissions[['____', '____', '____', '____']])
plt.show()