Visualisierung von Korrelationen mit Heatmaps

Korrelationsmatrizen können schwer zu interpretieren sein, wenn man nur die Zahlen betrachtet. Heatmaps bieten eine visuelle Möglichkeit, die Stärke und Richtung von Beziehungen zwischen Variablen zu erkennen.

Warum eine Korrelations-Heatmap verwenden?

Eine Korrelations-Heatmap bietet eine visuelle Methode, um Beziehungen zwischen numerischen Variablen zu untersuchen. Durch die Verwendung von Farben zur Darstellung der Stärke und Richtung der Korrelationen lassen sich starke oder schwache Zusammenhänge auf einen Blick erkennen. Dies ist besonders hilfreich bei der Arbeit mit vielen Variablen, da Muster schnell sichtbar werden, Multikollinearität hervorgehoben und die weitere Analyse unterstützt wird.

Visualisierung der Korrelationsmatrix mit einer Heatmap

Zuerst muss eine Korrelationsmatrix zur Visualisierung erstellt werden:

# Select numeric columns
numeric_df <- df[, c("selling_price", "km_driven", "max_power", "mileage", "engine")]
# Compute correlation matrix
cor_matrix <- cor(numeric_df, use = "complete.obs")

Anschließend kann die ggcorrplot()-Funktion verwendet werden, um daraus ein Diagramm zu erstellen:

ggcorrplot(cor_matrix,
           method = "square",
           type = "full",
           lab = TRUE,
           lab_size = 5,
           colors = c("red", "white", "forestgreen"),
           title = "Correlation Heatmap",
           ggtheme = ggplot2::theme_light())

Diese Funktion bietet verschiedene Parameter, mit denen sich das Aussehen des Diagramms anpassen lässt:

• method = "square" sorgt dafür, dass jede Zelle ein Quadrat ist;
• lab = TRUE zeigt die Korrelationswerte auf jedem Block an;
• colors geben die Richtung an: Rot (negativ), Weiß (neutral), Grün (positiv);
• theme_light() verleiht dem Diagramm einen klaren, minimalistischen Stil.