İlk Proje
Formül Yazma
\[ C= \sqrt{a^2+b^2}\ \]
# Her bir yıl için hisse senedi fiyatları için rastgele veri oluşturma
set.seed(123) # Sonuçların tekrarlanması için
yıllar <- 1:10 # 10 yıl
şirket1_fiyatları <- rnorm(10, mean = 50, sd = 10) # Şirket 1 için hisse senedi fiyatları
şirket2_fiyatları <- rnorm(10, mean = 45, sd = 8) # Şirket 2 için hisse senedi fiyatları
# Grafik düzeni parametrelerini ayarlayarak grafik penceresini düzenleme
par(mfrow = c(1, 1), mai = c(1, 1, 0.8, 0.1))
# Çizgi grafikle, 10 yıl boyunca iki şirketin hisse senedi fiyatlarını karşılaştırma ve kareler ekleyerek grafiği oluşturma
plot(yıllar, şirket1_fiyatları, type = 'l', col = 'blue', ylim = c(0, max(şirket1_fiyatları, şirket2_fiyatları)), xlab = "Yıl", ylab = "Hisse Senedi Fiyatı", main = "10 Yıl Boyunca İki Şirketin Hisse Senedi Fiyatlarının Karşılaştırılması")
lines(yıllar, şirket2_fiyatları, col = 'red')
points(yıllar, şirket1_fiyatları, col = 'blue', pch = 15)
points(yıllar, şirket2_fiyatları, col = 'red', pch = 15)
legend("topright", legend=c("Şirket 1", "Şirket 2"), col=c("blue", "red"), lty = 1)
Makine Öğrenmenin Açıklaması
Bilgisayar sistemlerinin belirli bir görevi veya problemi belirli bir performans metriği üzerinden performanslarını geliştirmek için verilerden öğrenme yeteneğini ifade eder. Bu, algoritmaların veri üzerindeki desenleri tanımlamak, öğrenmek ve genelleştirmek için kullanıldığı bir yapay zeka alt dalıdır. Makine öğrenimi, bir modelin deneyimlerden (veri setleri) öğrenerek, belirli bir görevde daha iyi performans göstermesine olanak tanır. Bu görevler arasında sınıflandırma, regresyon, kümeleme, desen tanıma ve tahminleme gibi çeşitli uygulamalar bulunmaktadır. Makine öğrenimi, geniş veri setlerinin analiz edilmesi, örüntülerin tanınması ve karmaşık kararların otomatikleştirilmesi gibi birçok alanda kullanılabilir.
Kaggle Projesi
Spacehip Titanic (Kaggle
Tanıtımı)
“2912 yılına hoş geldiniz, burada veri bilimi becerilerinizin bir kozmik gizemi çözmek için gerektiği bir zamandayız. Dört ışık yılı uzaklıktan bir ileti aldık ve durum iyi görünmüyor.
Uzay Gemisi Titanic, bir ay önce fırlatılan bir yıldızlararası yolcu gemisiydi. Yaklaşık 13.000 yolcuyla yola çıkan gemi, Güneş sistemimizden üç yeni yaşanabilir yıldız etrafında dönen gezegenlere göçmenleri taşıyarak ilk seferine başladı.
İlk varış noktası olan 55 Cancri E’ye, Alfa Centauri’yi dolaşırken, dikkatsiz Uzay Gemisi Titanic, bir toz bulutunun içinde gizlenmiş bir uzay-zaman anormalliğiyle çarpıştı. Ne yazık ki, adını taşıdığı gemiye bin yıl önceki kaderle benzer bir kaderi paylaştı. Gemi bütünlüğünü korudu, ancak neredeyse yolcuların yarısı alternatif bir boyuta taşındı!
Kurtarma ekiplerine yardım etmek ve kayıp yolcuları kurtarmak için, uzay gemisinin hasar görmüş bilgisayar sisteminden kurtarılan kayıtları kullanarak hangi yolcuların anormallik tarafından taşındığını tahmin etmeniz isteniyor.
Onları kurtarmaya yardım edin ve tarihi değiştirin!
Ortalama:
Tanım: Bir veri setindeki tüm değerlerin toplamının veri sayısına bölünmesiyle elde edilen merkezi eğilim ölçüsüdür.
Formül:
\[ X=\frac{1}{n} \sum_{i=1}^{n}\ x_i \]
Örnek: Bir sınıftaki öğrencilerin matematik sınav notları: 70,80,85,90,95
\[ X= \frac{70+80+85+90+95}{5}= \frac{420}{5}=84 \]
Standart Sapma (Standard Deviation) :
Tanım: Bir veri setindeki değerlerin ortalama değerden ne kadar farklı olduğunu ölçen bir yayılma ölçüsüdür.
Formül:
\[ s=\sqrt{\frac{1}{n-1}\sum_{i=1}^{n}{(x_i-x)^2}} \]
Örnek: Yukarıdaki örnek için standart sapma hesaplaması:
\[ s=\sqrt\frac{(70-84)^2+(80-84)^2+(85-84)^2+(90-84)^2+(95-84)^2}{5-1} \]
# Kovaryans:
Tanım: İki değişken arasındaki ilişkinin yönünü belirleyen istatistiksel bir ölçüdür. Pozitif kovaryans, iki değişkenin aynı yönde değiştiğini, negatif kovaryans ise iki değişkenin ters yönde değiştiğini gösterir.
Formül:
\[ Cov(X,Y)=\frac{1}{n-1} \sum_{i=1}^n (x_i- x)(y_i-y) \]
- Örnek: İki değişkenin (X ve Y) birlikte verildiği örnek veri seti:
\[ X : 2,4,6,8,10 \]
\[ Y=5,7,9,11,13 \]
\[ Cov(X,Y)=\frac{(2-6)(5-9)+(4-6)(7-9)+(6-6)(9-9)+(8-6)(11-9)+(10-6)(13-9)}{5-1} \] \[ Cov(X,Y)=\frac{16+4+0+4+16}{4} =\frac{40}{4}= 10 \]
Korelasyon :
Tanım: İki değişken arasındaki ilişkinin gücünü ve yönünü ölçen istatistiksel bir ölçüdür. Korelasyon katsayısı -1 ile 1 arasında değer alır. 1’e yaklaşan bir korelasyon katsayısı, iki değişken arasında pozitif yönlü güçlü bir ilişki olduğunu, -1’e yaklaşan bir korelasyon katsayısı ise negatif yönlü güçlü bir ilişki olduğunu gösterir. 0’a yaklaşan bir korelasyon katsayısı, iki değişken arasında ilişki olmadığını gösterir.
Formül:
\[ Corr(X,Y)= \frac{Cov(X,Y)}{s_X*s_Y} \]
Örnek: Yukarıdaki örnekteki X ve Y değişkenleri için korelasyon hesaplaması:
\[ Corr(X,Y)=\frac{10}{9.62*3.16} \approx \frac{10}{30.93} \approx 0.33 \]
Veri seti açıklama
Veri Seti Tanımı
Şimdi anladığımız kadarıyla bu yarışmada göreviniz, Uzay Gemisi Titanic’in uzay-zaman anormalliğiyle çarpışması sırasında bir yolcunun alternatif bir boyuta taşınıp taşınmadığını tahmin etmektir. Daha sonra da bu tahminleri yapmanıza yardımcı olmak için, geminin hasarlı bilgisayar sisteminden kurtarılan bir dizi kişisel kayıt verilmiştir.
Dosya ve Veri Alanı Tanımları
train.csv - Yaklaşık olarak yolcuların üçte ikisi (~8700) için kişisel kayıtlar, eğitim verisi olarak kullanılacaktır.
PassengerId - Her yolcu için benzersiz bir kimlik. Her kimlik gggg_pp biçiminde olup
gggg bir grup olduğunu ve pp ise gruptaki sıra numarasını belirtir. Bir gruptaki insanlar genellikle aile üyeleridir, ancak her zaman değil.
HomePlanet - Yolcunun ayrıldığı gezegen, genellikle kalıcı ikamet gezegenleri.
CryoSleep - Yolcunun yolculuğun süresince askıya alınmış animasyona girmeyi seçip seçmediğini belirtir. CryoSleep’teki yolcular kabinlerine hapsedilmiştir.
Cabin - Yolcunun kaldığı kabin numarası. Deck/num/side biçiminde alınır, burada side P için Port veya S için Starboard olabilir.
Destination - Yolcunun iniş yapacağı gezegen.
Age - Yolcunun yaşı.
VIP - Yolcunun yolculuk sırasında özel VIP hizmeti için ödeme yapıp yapmadığı.
RoomService, FoodCourt, ShoppingMall, Spa, VRDeck - Yolcunun Uzay Gemisi Titanic’in birçok lüks olanaklarından her birinde fatura tutarı.
Name - Yolcunun adı ve soyadı.
Transported - Yolcunun başka bir boyuta taşınıp taşınmadığı. Bu hedef, tahmin etmeye çalıştığınız sütun.
test.csv - Geriye kalan yolcuların yaklaşık olarak üçte biri (~4300) için kişisel kayıtlar, test verisi olarak kullanılacaktır. Göreviniz, bu setteki yolcular için Transported değerini tahmin etmektir.
sample_submission.csv - Doğru formatta bir gönderi dosyası.
PassengerId - Test setindeki her yolcu için kimlik.
Transported - Hedef. Her yolcu için, True veya False değerini tahmin edin.
## # A tibble: 8,693 × 14
## PassengerId HomePlanet CryoSleep Cabin Destination Age VIP RoomService
## <chr> <chr> <lgl> <chr> <chr> <dbl> <lgl> <dbl>
## 1 0001_01 Europa FALSE B/0/P TRAPPIST-1e 39 FALSE 0
## 2 0002_01 Earth FALSE F/0/S TRAPPIST-1e 24 FALSE 109
## 3 0003_01 Europa FALSE A/0/S TRAPPIST-1e 58 TRUE 43
## 4 0003_02 Europa FALSE A/0/S TRAPPIST-1e 33 FALSE 0
## 5 0004_01 Earth FALSE F/1/S TRAPPIST-1e 16 FALSE 303
## 6 0005_01 Earth FALSE F/0/P PSO J318.5-22 44 FALSE 0
## 7 0006_01 Earth FALSE F/2/S TRAPPIST-1e 26 FALSE 42
## 8 0006_02 Earth TRUE G/0/S TRAPPIST-1e 28 FALSE 0
## 9 0007_01 Earth FALSE F/3/S TRAPPIST-1e 35 FALSE 0
## 10 0008_01 Europa TRUE B/1/P 55 Cancri e 14 FALSE 0
## # ℹ 8,683 more rows
## # ℹ 6 more variables: FoodCourt <dbl>, ShoppingMall <dbl>, Spa <dbl>,
## # VRDeck <dbl>, Name <chr>, Transported <lgl>Cabin üç farklı grup çıkarmak
## # A tibble: 17 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 PassengerId chr 0 0 8693 NA NA NA
## 2 HomePlanet chr 201 2.3 4 NA NA NA
## 3 CryoSleep lgl 217 2.5 3 0 0.36 1
## 4 Cabin chr 199 2.3 6561 NA NA NA
## 5 sutun1 chr 199 2.3 9 NA NA NA
## 6 sutun2 chr 199 2.3 1818 NA NA NA
## 7 sutun3 chr 199 2.3 3 NA NA NA
## 8 Destination chr 182 2.1 4 NA NA NA
## 9 Age dbl 179 2.1 81 0 28.8 79
## 10 VIP lgl 203 2.3 3 0 0.02 1
## 11 RoomService dbl 181 2.1 1274 0 225. 14327
## 12 FoodCourt dbl 183 2.1 1508 0 458. 29813
## 13 ShoppingMall dbl 208 2.4 1116 0 174. 23492
## 14 Spa dbl 183 2.1 1328 0 311. 22408
## 15 VRDeck dbl 188 2.2 1307 0 305. 24133
## 16 Name chr 200 2.3 8474 NA NA NA
## 17 Transported lgl 0 0 2 0 0.5 1## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 181 rows containing non-finite outside the scale range
## (`stat_bin()`).
##
## Variables sorted by number of missings:
## Variable Count
## CryoSleep 0.02496261
## ShoppingMall 0.02392730
## VIP 0.02335212
## HomePlanet 0.02312205
## Name 0.02300702
## Cabin 0.02289198
## sutun1 0.02289198
## sutun2 0.02289198
## sutun3 0.02289198
## VRDeck 0.02162660
## FoodCourt 0.02105142
## Spa 0.02105142
## Destination 0.02093639
## RoomService 0.02082135
## Age 0.02059128
## PassengerId 0.00000000
## Transported 0.00000000
## PassengerId Transported Age RoomService Destination FoodCourt Spa VRDeck
## 6606 1 1 1 1 1 1 1 1
## 167 1 1 1 1 1 1 1 1
## 164 1 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1 1
## 165 1 1 1 1 1 1 1 1
## 5 1 1 1 1 1 1 1 1
## 3 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 163 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 5 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 158 1 1 1 1 1 1 1 1
## 9 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 5 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 158 1 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 5 1 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 151 1 1 1 1 1 1 1 0
## 6 1 1 1 1 1 1 1 0
## 6 1 1 1 1 1 1 1 0
## 1 1 1 1 1 1 1 1 0
## 3 1 1 1 1 1 1 1 0
## 4 1 1 1 1 1 1 1 0
## 153 1 1 1 1 1 1 0 1
## 2 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 0 1
## 2 1 1 1 1 1 1 0 1
## 2 1 1 1 1 1 1 0 1
## 5 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 0 1
## 3 1 1 1 1 1 1 0 0
## 142 1 1 1 1 1 0 1 1
## 3 1 1 1 1 1 0 1 1
## 2 1 1 1 1 1 0 1 1
## 4 1 1 1 1 1 0 1 1
## 1 1 1 1 1 1 0 1 1
## 5 1 1 1 1 1 0 1 1
## 4 1 1 1 1 1 0 1 1
## 6 1 1 1 1 1 0 1 0
## 4 1 1 1 1 1 0 0 1
## 1 1 1 1 1 1 0 0 1
## 146 1 1 1 1 0 1 1 1
## 2 1 1 1 1 0 1 1 1
## 5 1 1 1 1 0 1 1 1
## 3 1 1 1 1 0 1 1 1
## 3 1 1 1 1 0 1 1 1
## 1 1 1 1 1 0 1 1 1
## 3 1 1 1 1 0 1 1 1
## 1 1 1 1 1 0 1 1 1
## 1 1 1 1 1 0 1 1 1
## 1 1 1 1 1 0 1 1 1
## 2 1 1 1 1 0 1 1 0
## 2 1 1 1 1 0 1 0 1
## 1 1 1 1 1 0 1 0 1
## 4 1 1 1 1 0 0 1 1
## 1 1 1 1 1 0 0 1 1
## 149 1 1 1 0 1 1 1 1
## 2 1 1 1 0 1 1 1 1
## 4 1 1 1 0 1 1 1 1
## 4 1 1 1 0 1 1 1 1
## 6 1 1 1 0 1 1 1 1
## 1 1 1 1 0 1 1 1 1
## 4 1 1 1 0 1 1 1 1
## 2 1 1 1 0 1 1 1 0
## 3 1 1 1 0 1 1 0 1
## 2 1 1 1 0 1 0 1 1
## 3 1 1 1 0 0 1 1 1
## 151 1 1 0 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1
## 4 1 1 0 1 1 1 1 1
## 5 1 1 0 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1
## 2 1 1 0 1 1 1 1 1
## 2 1 1 0 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1
## 2 1 1 0 1 1 1 1 0
## 1 1 1 0 1 1 1 1 0
## 1 1 1 0 1 1 1 1 0
## 1 1 1 0 1 1 1 0 1
## 3 1 1 0 1 1 0 1 1
## 2 1 1 0 1 0 1 1 1
## 1 1 1 0 1 0 0 1 1
## 1 1 1 0 0 1 1 1 1
## 0 0 179 181 182 183 183 188
## Cabin sutun1 sutun2 sutun3 Name HomePlanet VIP ShoppingMall CryoSleep
## 6606 1 1 1 1 1 1 1 1 1 0
## 167 1 1 1 1 1 1 1 1 0 1
## 164 1 1 1 1 1 1 1 0 1 1
## 6 1 1 1 1 1 1 1 0 0 2
## 165 1 1 1 1 1 1 0 1 1 1
## 5 1 1 1 1 1 1 0 1 0 2
## 3 1 1 1 1 1 1 0 0 1 2
## 1 1 1 1 1 1 1 0 0 0 3
## 163 1 1 1 1 1 0 1 1 1 1
## 2 1 1 1 1 1 0 1 1 0 2
## 5 1 1 1 1 1 0 1 0 1 2
## 2 1 1 1 1 1 0 0 1 1 2
## 158 1 1 1 1 0 1 1 1 1 1
## 9 1 1 1 1 0 1 1 1 0 2
## 2 1 1 1 1 0 1 1 0 1 2
## 1 1 1 1 1 0 1 0 1 1 2
## 5 1 1 1 1 0 0 1 1 1 2
## 2 1 1 1 1 0 0 1 0 1 3
## 158 0 0 0 0 1 1 1 1 1 4
## 6 0 0 0 0 1 1 1 1 0 5
## 2 0 0 0 0 1 1 1 0 1 5
## 5 0 0 0 0 1 1 0 1 1 5
## 6 0 0 0 0 1 0 1 1 1 5
## 1 0 0 0 0 0 1 1 1 1 5
## 151 1 1 1 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1 1 0 2
## 6 1 1 1 1 1 1 1 0 1 2
## 1 1 1 1 1 1 1 0 1 0 3
## 3 1 1 1 1 0 1 1 1 1 2
## 4 0 0 0 0 1 1 1 1 1 5
## 153 1 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1 0 2
## 1 1 1 1 1 1 1 1 0 1 2
## 1 1 1 1 1 1 1 1 0 0 3
## 2 1 1 1 1 1 1 0 1 1 2
## 2 1 1 1 1 1 0 1 1 1 2
## 5 1 1 1 1 0 1 1 1 1 2
## 1 1 1 1 1 0 1 1 1 0 3
## 1 0 0 0 0 1 1 1 1 1 5
## 3 1 1 1 1 1 1 1 1 1 2
## 142 1 1 1 1 1 1 1 1 1 1
## 3 1 1 1 1 1 1 1 1 0 2
## 2 1 1 1 1 1 1 1 0 1 2
## 4 1 1 1 1 1 1 0 1 1 2
## 1 1 1 1 1 1 0 1 1 1 2
## 5 1 1 1 1 0 1 1 1 1 2
## 4 0 0 0 0 1 1 1 1 1 5
## 6 1 1 1 1 1 1 1 1 1 2
## 4 1 1 1 1 1 1 1 1 1 2
## 1 1 1 1 1 1 0 1 1 1 3
## 146 1 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1 0 2
## 5 1 1 1 1 1 1 1 0 1 2
## 3 1 1 1 1 1 1 0 1 1 2
## 3 1 1 1 1 1 0 1 1 1 2
## 1 1 1 1 1 1 0 0 1 1 3
## 3 1 1 1 1 0 1 1 1 1 2
## 1 0 0 0 0 1 1 1 1 1 5
## 1 0 0 0 0 1 1 1 1 0 6
## 1 0 0 0 0 0 1 1 1 1 6
## 2 1 1 1 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 1 1 1 2
## 1 1 1 1 1 1 1 1 1 0 3
## 4 1 1 1 1 1 1 1 1 1 2
## 1 0 0 0 0 1 1 1 1 1 6
## 149 1 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1 0 2
## 4 1 1 1 1 1 1 1 0 1 2
## 4 1 1 1 1 1 1 0 1 1 2
## 6 1 1 1 1 1 0 1 1 1 2
## 1 1 1 1 1 0 1 1 1 1 2
## 4 0 0 0 0 1 1 1 1 1 5
## 2 1 1 1 1 1 1 1 1 1 2
## 3 1 1 1 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 1 1 1 2
## 3 1 1 1 1 1 1 1 1 1 2
## 151 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 0 2
## 4 1 1 1 1 1 1 1 0 1 2
## 5 1 1 1 1 1 1 0 1 1 2
## 1 1 1 1 1 1 0 1 1 1 2
## 2 1 1 1 1 0 1 1 1 1 2
## 2 0 0 0 0 1 1 1 1 1 5
## 1 0 0 0 0 1 1 0 1 1 6
## 2 1 1 1 1 1 1 1 1 1 2
## 1 1 1 1 1 1 0 1 1 1 3
## 1 1 1 1 1 0 1 1 1 1 3
## 1 0 0 0 0 1 1 1 1 1 6
## 3 1 1 1 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 1 1 1 2
## 1 1 1 1 1 1 1 1 1 1 3
## 1 1 1 1 1 1 1 1 1 1 2
## 199 199 199 199 200 201 203 208 217 2921## PassengerId HomePlanet CryoSleep Cabin sutun1
## 0001_01: 1 Earth :4602 Mode :logical G/734/S: 8 F :2794
## 0002_01: 1 Europa:2131 FALSE:5439 B/11/S : 7 G :2559
## 0003_01: 1 Mars :1759 TRUE :3037 B/201/P: 7 E : 876
## 0003_02: 1 NA's : 201 NA's :217 B/82/S : 7 B : 779
## 0004_01: 1 C/137/S: 7 C : 747
## 0005_01: 1 (Other):8458 (Other): 739
## (Other):8687 NA's : 199 NA's : 199
## sutun2 sutun3 Destination Age
## 82 : 28 P :4206 55 Cancri e :1800 Min. : 0.00
## 19 : 22 S :4288 PSO J318.5-22: 796 1st Qu.:19.00
## 86 : 22 NA's: 199 TRAPPIST-1e :5915 Median :27.00
## 176 : 21 NA's : 182 Mean :28.83
## 56 : 21 3rd Qu.:38.00
## (Other):8380 Max. :79.00
## NA's : 199 NA's :179
## VIP RoomService FoodCourt ShoppingMall
## Mode :logical Min. : 0.0 Min. : 0.0 Min. : 0.0
## FALSE:8291 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## TRUE :199 Median : 0.0 Median : 0.0 Median : 0.0
## NA's :203 Mean : 224.7 Mean : 458.1 Mean : 173.7
## 3rd Qu.: 47.0 3rd Qu.: 76.0 3rd Qu.: 27.0
## Max. :14327.0 Max. :29813.0 Max. :23492.0
## NA's :181 NA's :183 NA's :208
## Spa VRDeck Name Transported
## Min. : 0.0 Min. : 0.0 Alraium Disivering: 2 Mode :logical
## 1st Qu.: 0.0 1st Qu.: 0.0 Ankalik Nateansive: 2 FALSE:4315
## Median : 0.0 Median : 0.0 Anton Woody : 2 TRUE :4378
## Mean : 311.1 Mean : 304.9 Apix Wala : 2
## 3rd Qu.: 59.0 3rd Qu.: 46.0 Asch Stradick : 2
## Max. :22408.0 Max. :24133.0 (Other) :8483
## NA's :183 NA's :188 NA's : 200