Korrelasjonsmatriser kan være overveldende å tolke kun ved å se på tallene. Heatmaps gir en visuell måte å se styrken og retningen på sammenhenger mellom variabler.

Hvorfor bruke et korrelasjons-heatmap?

Et korrelasjons-heatmap gir en visuell fremstilling av forholdet mellom numeriske variabler. Ved å bruke farger for å representere styrken og retningen på korrelasjoner, blir det mye enklere å identifisere sterke eller svake sammenhenger ved første øyekast. Dette er spesielt nyttig når man arbeider med mange variabler, da det raskt kan avdekke mønstre, fremheve multikollinearitet og veilede videre analyse.

Visualisering av korrelasjonsmatrise med heatmap

Først må du lage en korrelasjonsmatrise for visualisering:

# 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")

Deretter kan du bruke funksjonen ggcorrplot() for å lage et plott av denne:

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

Denne funksjonen har flere parametere som kan brukes til å endre stilen på plottet:

• method = "square" gjør hver celle til en kvadratisk blokk;
• lab = TRUE viser korrelasjonsverdiene på hver blokk;
• colors indikerer retning: rød (negativ), hvit (nøytral), grønn (positiv);
• theme_light() gir plottet en ren og minimalistisk stil.