Visualisatie — Seaborn - Machine Learning Cursussen

Seaborn is gebouwd bovenop Matplotlib en maakt het eenvoudiger om statistische visualisaties te maken. Met minder code krijg je mooiere en informatierijkere grafieken.

Seaborn blinkt uit in:

Distributie-visualisaties
Correlatie-heatmaps
Categorie-vergelijkingen
Pairplots voor een snelle verkenning van alle variabelen

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns

sns.set_theme(style="whitegrid", palette="muted")  # consistent style

penguins = sns.load_dataset("penguins").dropna()
titanic = sns.load_dataset("titanic")
tips = sns.load_dataset("tips")

Distributies — `histplot` en `kdeplot`¶

fig, axes = plt.subplots(1, 2, figsize=(11, 4))

# Histogram with KDE (Kernel Density Estimate) overlay
sns.histplot(penguins["flipper_length_mm"], bins=25, kde=True, ax=axes[0])
axes[0].set_title("Distribution of flipper length")

# Histogram per category with hue
sns.histplot(penguins, x="flipper_length_mm", hue="species", bins=20, kde=True, ax=axes[1])
axes[1].set_title("Flipper length per species")

plt.tight_layout()
plt.show()

Boxplot — verdeling per categorie¶

Een boxplot toont de mediaan, kwartielen en uitschieters van een numerieke variabele per categorie.

fig, ax = plt.subplots(figsize=(8, 5))

sns.boxplot(
    data=penguins,
    x="species",
    y="body_mass_g",
    hue="sex",
    ax=ax,
)
ax.set_title("Body mass per species and sex")
ax.set_xlabel("Species")
ax.set_ylabel("Body mass (g)")

plt.tight_layout()
plt.show()

Scatter plot — `scatterplot`¶

fig, ax = plt.subplots(figsize=(7, 5))

sns.scatterplot(
    data=penguins,
    x="bill_length_mm",
    y="bill_depth_mm",
    hue="species",
    style="sex",
    alpha=0.8,
    ax=ax,
)
ax.set_title("Bill length vs. bill depth")

plt.tight_layout()
plt.show()

Staafdiagram — `barplot`¶

barplot toont automatisch het gemiddelde (of een andere aggregatie) met een foutbalk voor het betrouwbaarheidsinterval.

fig, axes = plt.subplots(1, 2, figsize=(11, 4))

# Survival rate per class
sns.barplot(data=titanic, x="pclass", y="survived", ax=axes[0])
axes[0].set_title("Survival rate per class")
axes[0].set_ylabel("Fraction survived")

# Survival rate per class and sex
sns.barplot(data=titanic, x="pclass", y="survived", hue="sex", ax=axes[1])
axes[1].set_title("Survival by class and sex")

plt.tight_layout()
plt.show()

Correlatie-heatmap¶

Een heatmap visualiseert een correlatiematrix. Hoge positieve correlatie is donkerrood, hoge negatieve correlatie is donkerblauw. Dit is een van de eerste stappen in een EDA.

# Compute correlation matrix — numeric columns only
corr = penguins.select_dtypes(include="number").corr()

fig, ax = plt.subplots(figsize=(6, 5))

sns.heatmap(
    corr,
    annot=True,  # show correlation values in cells
    fmt=".2f",  # 2 decimal places
    cmap="coolwarm",  # red = positive, blue = negative
    vmin=-1,
    vmax=1,
    linewidths=0.5,
    ax=ax,
)
ax.set_title("Correlation matrix — penguins")

plt.tight_layout()
plt.show()

Pairplot — overzicht van alle variabelen¶

Een pairplot maakt voor elk paar numerieke variabelen een scatter plot, en op de diagonaal een histogram. Ideaal als eerste stap in een EDA om snel patronen te ontdekken.

g = sns.pairplot(
    penguins,
    hue="species",
    diag_kind="hist",
    plot_kws={"alpha": 0.6},
)
g.fig.suptitle("Pairplot — penguin dataset", y=1.02)
plt.show()

Toepassingspatroon in ML-notebooks¶

In de ML-notebooks kom je dit patroon voortdurend tegen:

# 1. Compute correlation matrix
numeric_cols = titanic.select_dtypes(include="number")
corr = numeric_cols.corr()

# 2. Visualise
fig, ax = plt.subplots(figsize=(7, 5))
sns.heatmap(corr, annot=True, fmt=".2f", cmap="coolwarm", vmin=-1, vmax=1, ax=ax)
ax.set_title("Correlation matrix — Titanic")
plt.tight_layout()
plt.show()

Oefeningen¶

Oefening 1 — Maak een histogram van de leeftijdsverdeling van Titanic-passagiers (age), met een KDE-curve en een onderscheid per geslacht (hue="sex"). Gebruik 30 bins.

# your solution here

Oefening 2 — Maak een boxplot van de ticketprijzen (fare) per klasse (pclass) voor de Titanic-dataset. Wat valt je op over de uitschieters in eerste klas?

# your solution here

Oefening 3 — Maak een correlatieheatmap voor de numerieke kolommen van de Tips-dataset. Welke twee variabelen hebben de sterkste correlatie?

# your solution here

Oefening 4 — Maak een pairplot voor de Penguins-dataset met hue="island". Welke eilanden overlappen sterk en welk eiland heeft de meest onderscheidende populatie?

# your solution here

Visualisatie — Seaborn

Distributies — histplot en kdeplot¶