# 論文に載せられる相関ヒートマップを作成

> 変数の表をアップロードしてください。Yila が適した相関係数を選び、検定の数に応じて補正し、パターンが見えるように変数を並べ替えて、図を相関行列全体とスクリプトとともに保存します。

URL: https://yila.ai/ja/playbooks/correlation-heatmap

## 得られるもの

- **ヒートマップ** (PNG + SVG): 0 を中心とした発散型のカラースケールで、各セルに相関係数を表示し、有意なペアに印を付け、変数をクラスタリングの順に並べます。
- **相関行列** (CSV): すべての相関係数を表にまとめたもので、そのまま引用したり、別の図に再利用したりできます。
- **補正後の p 値** (CSV): すべてのペアについて補正前と補正後の p 値を相関の強さの順に並べ、補正法も明記します。
- **解析スクリプト** (Python スクリプト): 解析全体を Python（ご希望なら R）で記述しているので、新しいデータで図を作り直せます。

## 進め方

1. **表をアップロードして変数を選択**: CSV または Excel ファイルを Yila に渡し、含める変数を指定します。指定しなければ、連続値の列をすべて使います。
2. **Yila がまず変数を確認**: 分布と欠測値の数を確認するので、歪んだ分布の変数や順序尺度の変数には順位相関が使われ、二値変数が誤って混ざることもありません。
3. **図・表・スクリプトが完成**: ヒートマップを描画して読みやすさを確認し、2 つの表とスクリプトとともに保存します。下三角だけの表示、別の配色、別の補正法が必要なときは、同じ会話の中で依頼してください。

## 主な用途

- **新しいデータセットの探索**: モデルを計画する前に、どの測定値が連動しているかをひと目で把握できます。
- **多重共線性の確認**: 関連が強すぎて同じ回帰モデルには入れられない説明変数を見つけます。
- **補足資料の図**: 主要な結果とあわせて査読者からよく求められる、すっきりした相関の全体像です。

## よくある質問

### Pearson と Spearman のどちらを使えばよいですか？

Pearson は線形の関連を測り、おおむね正規分布に従う変数に向いています。Spearman は順位にもとづくため、分布の歪んだデータ、外れ値を含むデータ、順序尺度のデータでも安心して使えます。指定がなければ、Yila が分布を確認して選び、その理由を説明します。作例のような臨床検査値はたいてい分布が歪んでいるため、Spearman を使いました。

### なぜ多重検定の補正が必要なのですか？

変数が多いと検定するペアも多くなり、偶然に有意に見えるものが出てきます。Benjamini–Hochberg 法のような偽発見率（FDR）の補正で、これを抑えます。Yila は補正後も有意なペアだけに印を付け、補正前の p 値もあわせて示します。

### クラスタリングの順に並べると何がわかりますか？

互いに相関する変数が隣り合うように並ぶため、関連する測定値のまとまりが見えるようになります。決まった順にしたい場合は、変数を希望の順番で挙げてください。

### 変数が多くても作成できますか？

はい。変数が数十個ある場合は、セル内の数値を省くか下三角だけを表示して、図を読みやすく保ちます。相関行列全体は常に表に含まれます。

### カテゴリ変数も含められますか？

相関ヒートマップは、数値変数と順序尺度の変数を対象としたものです。二値変数は、依頼があれば点双列相関や順位相関で含められます。水準の多いカテゴリ変数については、Yila が別の要約方法を提案します。

### R と Python のどちらで作成しますか？

どちらでも作成できます。作例では Python を使いました。R の場合、Yila は corrplot または ComplexHeatmap を使います。

### 作例のデータはどこから取得していますか？

UCI Machine Learning Repository で CC BY 4.0 のもと公開されている Heart Failure Clinical Records データセット（Chicco と Jurman、2020）です。Yila がユーザーのデータを作例に使うことはありません。

---

- [論文に載せられる相関ヒートマップを作成](https://yila.ai/ja/playbooks/correlation-heatmap)
- [llms.txt](https://yila.ai/ja/llms.txt)
