# Yayımlayabileceğiniz bir korelasyon ısı haritası hazırlayın

> Değişkenlerinizi içeren tabloyu yükleyin. Yila uygun korelasyon yöntemini seçer, test sayısına göre düzeltme yapar, örüntülerin ortaya çıkması için değişkenleri sıralar ve şekli tam matris ve betikle birlikte kaydeder.

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

## Neler alırsınız

- **Isı haritası** (PNG + SVG): Sıfır merkezli iki yönlü bir renk skalası, her hücreye yazılmış katsayılar, işaretlenmiş anlamlı çiftler ve kümeleme sırasına dizilmiş değişkenler.
- **Korelasyon matrisi** (CSV): Tüm katsayılar tek bir tabloda; metinde aktarabilir ya da başka bir şekil için yeniden kullanabilirsiniz.
- **Düzeltilmiş p değerleri** (CSV): Her çift için ham ve düzeltilmiş p değerleri; ilişki gücüne göre sıralanmış ve kullanılan düzeltme yöntemi belirtilmiş olarak.
- **Betik** (Python betiği): Analizin tamamı Python ile (isterseniz R ile) yazılmış bir betikte; şekli yeni verilerle yeniden üretebilirsiniz.

## Nasıl çalışır

1. **Tabloyu yükleyin ve değişkenleri seçin**: Yila'ya bir CSV veya Excel dosyası verin ve hangi değişkenlerin dâhil edileceğini söyleyin ya da tüm sürekli sütunları kullanmasına izin verin.
2. **Yila önce değişkenleri kontrol eder**: Dağılımlara ve eksik değer sayılarına bakar; böylece çarpık ya da sıralı değişkenler için sıra korelasyonu kullanılır ve ikili değişkenler yanlışlıkla analize karışmaz.
3. **Şekli, tabloları ve betiği alın**: Isı haritası çizilir, okunaklılığı kontrol edilir ve iki tablo ve betikle birlikte kaydedilir. Alt üçgen, başka bir renk paleti ya da farklı bir düzeltme isterseniz aynı sohbette söyleyin.

## Kullanım alanları

- **Yeni bir veri setini keşfetmek**: Modelleri planlamadan önce hangi ölçümlerin birlikte değiştiğini bir bakışta görün.
- **Eşdoğrusallığı kontrol etmek**: Aynı regresyon modeline birlikte giremeyecek kadar güçlü ilişkili yordayıcı değişkenleri bulun.
- **Ek materyal için bir şekil**: Hakemlerin ana sonuçların yanında sıklıkla istediği, temiz bir korelasyon özeti.

## Sık sorulan sorular

### Pearson mı, Spearman mı?

Pearson doğrusal ilişkiyi ölçer ve yaklaşık normal dağılan değişkenlere uygundur; Spearman sıralar üzerinden çalışır ve çarpık veriler, aykırı değerler ya da sıralı ölçekler için daha güvenlidir. Siz seçmezseniz Yila dağılımlara bakar ve seçimini açıklar. Örnekteki gibi klinik laboratuvar değerleri genellikle çarpık olduğundan Spearman kullanıldı.

### Neden çoklu test düzeltmesi yapılır?

Çok sayıda değişken olduğunda çok sayıda çift test edilir ve bunların bir kısmı tesadüfen anlamlı görünür. Benjamini–Hochberg gibi bir yanlış keşif oranı (FDR) düzeltmesi bunu kontrol altında tutar; Yila yalnızca bu düzeltmeden sonra da anlamlı kalan çiftleri işaretler ve ham p değerlerini de verir.

### Kümelemeye göre sıralama ne işe yarar?

Birbiriyle korelasyon gösteren değişkenleri yan yana koyar; böylece ilişkili ölçüm blokları görünür hâle gelir. Sabit bir sıra tercih ederseniz değişkenleri istediğiniz sırayla listeleyin.

### Çok sayıda değişkenle çalışabilir mi?

Evet. Onlarca değişken olduğunda Yila şeklin okunaklı kalması için hücrelerdeki katsayıları kaldırır ya da yalnızca alt üçgeni gösterir; tam matris her zaman tabloda yer alır.

### Kategorik değişkenleri dâhil edebilir miyim?

Korelasyon ısı haritası sayısal ve sıralı değişkenler içindir. İsterseniz ikili değişkenler nokta-çift serili korelasyon ya da sıra korelasyonuyla dâhil edilebilir; birden çok düzeyi olan kategoriler için Yila farklı bir özet önerir.

### R mi, Python mı?

İkisi de olur. Örnekte Python kullanıldı; R'da Yila corrplot veya ComplexHeatmap kullanır.

### Örnek veriler nereden geliyor?

UCI Machine Learning Repository'de CC BY 4.0 lisansıyla yayımlanan açık Heart Failure Clinical Records veri setinden (Chicco ve Jurman, 2020). Yila kullanıcıların verilerini asla örnek olarak kullanmaz.

---

- [Yayımlayabileceğiniz bir korelasyon ısı haritası hazırlayın](https://yila.ai/tr/playbooks/correlation-heatmap)
- [llms.txt](https://yila.ai/tr/llms.txt)
