Seaborn - Kernel Yoğunluk Tahminleri

Çekirdek Yoğunluğu Tahmini (KDE), sürekli bir rasgele değişkenin olasılık yoğunluk fonksiyonunu tahmin etmenin bir yoludur. Parametrik olmayan analiz için kullanılır.

ayarlamak hist Yanlış olarak işaretleyin distplot çekirdek yoğunluğu tahmin grafiğini verecektir.

Misal

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.distplot(df['petal_length'],hist=False)
plt.show()

Çıktı

Parametrik Dağılımın Uydurulması

distplot() bir veri setinin parametrik dağılımını görselleştirmek için kullanılır.

Misal

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.distplot(df['petal_length'])
plt.show()

Çıktı

İki Değişkenli Dağılımın Grafiklendirilmesi

İki değişkenli dağılım, iki değişken arasındaki ilişkiyi belirlemek için kullanılır. Bu, temel olarak iki değişken arasındaki ilişkiyle ve bir değişkenin diğerine göre nasıl davrandığıyla ilgilenir.

Seaborn'da İki Değişkenli Dağılımı analiz etmenin en iyi yolu, jointplot() işlevi.

Jointplot, iki değişken arasındaki iki değişkenli ilişkiyi ve ayrıca her değişkenin ayrı eksenlerde tek değişkenli dağılımını yansıtan çok panelli bir şekil oluşturur.

Dağılım grafiği

Dağılım grafiği, her bir gözlemin x ve y ekseni aracılığıyla iki boyutlu grafikte temsil edildiği dağılımı görselleştirmenin en uygun yoludur.

Misal

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.jointplot(x = 'petal_length',y = 'petal_width',data = df)
plt.show()

Çıktı

Yukarıdaki şekil, arasındaki ilişkiyi göstermektedir. petal_length ve petal_widthIris verilerinde. Grafikteki bir eğilim, incelenen değişkenler arasında pozitif korelasyon olduğunu söylüyor.

Hexbin Grafiği

Altıgen gruplama, iki değişkenli veri analizinde, veriler yoğunluk bakımından seyrek olduğunda, yani veriler çok dağınık olduğunda ve dağılım grafikleri aracılığıyla analiz edilmesi zor olduğunda kullanılır.

'Tür' ve değer 'onaltılık' olarak adlandırılan bir toplama parametresi, heksbin grafiğini çizer.

Misal

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.jointplot(x = 'petal_length',y = 'petal_width',data = df,kind = 'hex')
plt.show()

Kernel Yoğunluk Tahmini

Çekirdek yoğunluğu tahmini, bir değişkenin dağılımını tahmin etmenin parametrik olmayan bir yoludur. Seaborn'da, kullanarak bir kde çizebilirizjointplot().

Çekirdek grafiğini çizmek için parametre türüne 'kde' değerini iletin.

Misal

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('iris')
sb.jointplot(x = 'petal_length',y = 'petal_width',data = df,kind = 'hex')
plt.show()

Çıktı