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.
To ćwiczenie jest częścią kursu
Testy A/B w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import seaborn for visualization
import ____ as ____
# Visualize the variables in a pairplot
____.____(admissions[['____', '____', '____', '____']])
plt.show()