1. Nauka
    2. /
  2. Kursy
    3. /
  3. Testy A/B w Pythonie
Connected

ćwiczenie

Wizualizacja korelacji

Choć korelacja nie oznacza przyczynowości, pozwala określić siłę i kierunek zależności między dwiema zmiennymi. Jest to szczególnie przydatne w sytuacjach, gdy przeprowadzenie testów A/B nie jest możliwe – na przykład ze względu na ograniczone zasoby, zbyt mało danych lub małą bazę użytkowników.

Zbiór danych admissions jest już wczytany i zawiera różne informacje, takie jak wynik GRE, wynik TOEFL, SOP (Statement of Purpose), LOR (Letter of Recommendation), CGPA oraz szanse na przyjęcie. Przeanalizujesz zależności między wybranymi atrybutami i sprawdzisz, jak szanse na przyjęcie zmieniają się wraz ze zmianami tych zmiennych.

Instrukcje 1/3

undefined XP
  • 1
    • Zaimportuj bibliotekę Seaborn i nadaj jej alias sns.
    • Zwizualizuj zależności między zmiennymi Serial No., TOEFL Score, SOP, Chance of Admit – w tej kolejności – za pomocą siatki wykresów punktowych.
  • 2
    • Zbadaj siłę i kierunek zależności, obliczając współczynniki korelacji Pearsona między zmiennymi Serial No., TOEFL Score, SOP, Chance of Admit – w tej kolejności.
  • 3
    • Zwizualizuj współczynniki korelacji Pearsona na mapie ciepła z adnotacjami wartości współczynników.