Un mapa de calor de riesgos (o mapa de calor de riesgos) es una representación gráfica de los datos de ciberriesgos en la que los valores individuales contenidos en una matriz se representan como colores que connotan un significado. Los mapas de calor de riesgos se utilizan para presentar los resultados de la evaluación de ciberriesgos en un formato fácil de entender, visualmente atractivo y conciso.
Donde hay que interpretar los gráficos y entender las tablas, los mapas de calor son autoexplicativos e intuitivos. Dado que están hechos a medida para situar conjuntos de datos masivos en un contexto fácil de entender, se valoran cada vez más como una herramienta superior de visualización de datos en ciberseguridad para identificar, priorizar y mitigar los riesgos.
El riesgo es el producto de la probabilidad de infracción y el impacto de la misma. En este tipo de mapa de calor, el eje horizontal muestra la probabilidad de una violación de la ciberseguridad. El eje vertical muestra el impacto empresarial de una violación. Los colores son las áreas de riesgo (por ejemplo, las casillas de color verde indican que no se necesita ninguna acción y las casillas rojas indican que se necesita una acción inmediata). Los elementos de riesgo individuales se trazan en el mapa de calor basándose en el impacto empresarial y la probabilidad de que se produzca una violación (Riesgo = Impacto × Probabilidad).
Este capítulo pretende introducir los principios fundamentales del mapa de calor, el medio más utilizado para presentar datos de alto rendimiento, a los científicos no acostumbrados a analizar grandes conjuntos de datos. Su alcance incluye la descripción de las características generales de los mapas de calor, cómo se diseñan sus componentes, el significado de parámetros como el “método de distancia” y el “método de vinculación”, y la influencia de manipulaciones como el escalado de filas y las transformaciones logarítmicas en la interpretación y presentación de los datos. Este capítulo puede servir de guía para entender el uso de los mapas de calor en los análisis publicados o para ayudar a su diseño, permitiendo interpretaciones eficientes de experimentos de alto rendimiento, exploración de hipótesis o comunicaciones claras de los hallazgos.
Estoy interesado en investigar la agrupación de muestras utilizando heatmap.2 en este documento “BioC2014: RNA-Seq workflow for differential gene expression”. Sin embargo, me resulta difícil explicar el Row Z-Score del enlace https://imgur.com/a/6oHgv ¿Representa el nivel de expresión? Gracias por su ayuda
En el mapa de calor que muestras, los genes con rojo oscuro están regulados al alza y los azules regulados a la baja. Sin embargo, dado que las filas tienen una escala Z-Score, sólo se tiene información sobre la variación de la expresión de un solo gen en las muestras. Comparar el color entre dos genes separados no puede decirle si el gen A está más expresado que el gen B, sin embargo, los mapas de calor no suelen utilizarse para este propósito y en su lugar están destinados a resaltar las diferencias entre las muestras.
Un mapa de calor puede utilizarse con todo tipo de datos, desde el mercado inmobiliario que representa el número de ejecuciones hipotecarias hasta los diferenciales de los swaps de incumplimiento crediticio (CDS), pasando por el análisis de páginas web que reflejan el número de visitas que recibe un sitio web.
Como ejemplo práctico de la utilidad de los mapas de calor, se pusieron de moda durante la recesión que comenzó en 2008. Mucha gente utilizó los mapas de calor para ver rápidamente las tasas de ejecuciones hipotecarias en varios estados y compararlas con mapas de calor de meses anteriores para ver si las ejecuciones hipotecarias estaban aumentando, disminuyendo o permaneciendo igual.
Los mapas térmicos son útiles porque pueden proporcionar una visión eficiente y completa de un tema de un vistazo. A diferencia de los gráficos o las tablas, que hay que interpretar o estudiar para entenderlos, los mapas de calor son herramientas de visualización directa de datos que se explican por sí mismas y son fáciles de leer.
Los mapas de calor también pueden ser más fáciles de usar para los consumidores. En particular, benefician a los consumidores que no están acostumbrados a leer grandes cantidades de datos porque son más accesibles visualmente que los formatos de datos tradicionales.