Ekonometri titanic projesi

Ilk projesi

  • R yukleme
  • Rmarkdown baslangic
  • web sayfasini hazirlama
  • internete yukleme

formul yazma

\[ \pi= \frac{P_t-P_{t-1}}{P_{t-1}} \]

\[ beta_0 + \beta_1X + \epsilon \]

library(WDI)

Warning: package ‘WDI’ was built under R version 4.3.2

library(ggplot2)

Warning: package ‘ggplot2’ was built under R version 4.3.2

turkey_inflation <- WDI(country = "TR", indicator = "FP.CPI.TOTL.ZG", start =2000, end = 2023)
japan_inflation <- WDI(country = "JP", indicator = "FP.CPI.TOTL.ZG", start =2000, end = 2022)
turkey_inflation_df <- data.frame(year = as.numeric(row.names(turkey_inflation)), inflation = turkey_inflation$FP.CPI.TOTL.ZG)
japan_inflation_df <- data.frame(year = as.numeric(row.names(japan_inflation)), inflation = japan_inflation$FP.CPI.TOTL.ZG)
ggplot() +
geom_line(data = turkey_inflation_df, aes(x = year, y = inflation, color = "Turkey")) +
geom_line(data = japan_inflation_df, aes(x = year, y = inflation, color = "Japan")) 
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_line()`).

Keggle projesi

Spacehip Titanic(Tanitimi)

Kozmik bir gizemi çözmek için veri bilimi becerilerinize ihtiyaç duyulan 2912 yılına hoş geldiniz. Dört ışık yılı öteden bir sinyal aldık ve işler pek iyi görünmüyor.

Uzay Gemisi Titanik, bir ay önce fırlatılan yıldızlararası bir yolcu gemisiydi. Gemide neredeyse 13.000 yolcu bulunan gemi, güneş sistemimizden göçmenleri yakın yıldızların yörüngesinde bulunan üç yeni yaşanabilir dış gezegene taşımak üzere ilk yolculuğuna çıktı.

Dikkatsiz Uzay Gemisi Titanic, ilk varış noktası olan kavurucu 55 Cancri E’ye giderken Alpha Centauri’yi dönerken, bir toz bulutunun içine gizlenmiş bir uzay-zaman anormalliğiyle çarpıştı. Ne yazık ki 1000 yıl öncesindeki adaşı ile benzer bir kaderle karşılaştı. Gemi sağlam kalmasına rağmen yolcuların neredeyse yarısı alternatif bir boyuta taşındı!

Ortalama tanimi nedir :

Ortalama, bir veri kümesinin değerlerinin ortalamasıdır. Başka bir deyişle, ortalama, veri setinin değerler toplamının veri değerlerinin toplam sayısına bölünmesidir. Bir popülasyonun ortalaması μ (Mu) ile ve bir örneğin ortalaması x̄ (X çubuğu) ile temsil edilir.

ortalama formullu:

\[ \bar{x} = \frac{\sum_{i=1}^{n} x_i}{n} \] ## ORNEK :

\[ Veri grubu:1, 7, 13, 10, 20, 13, 52 Ortalama: \bar{x} = \frac{1 + 7 + 13 + 10 + 20 + 13 + 52}{7} = \frac{116}{7} \approx 16.57 \]

Standart Sapma nedir :

Standart sapma, bir veri grubundaki sayıların aritmetik ortalamaya göre nasıl bir yayılım gösterdiğini ölçen bir yöntemdir. Veri grubundaki sayıların birbirine olan yakınlığını ve uyumunu anlamamıza yardımcı olur. İki farklı veri grubunun aritmetik ortalaması aynı ise, açıklığı büyük olanın standart sapması büyük, küçük olanın ise standart sapması küçük olur. Standart sapma, veri grubundaki elemanların aritmetik ortalamaya yakınlığını veya uzaklığını verir. Ayrıca, standart sapma küçüldükçe veri grubundaki değerler aritmetik ortalamaya yaklaşır.

standat sapma formullu :

\[ \sigma = \sqrt{\frac{\sum_{i=1}^{n}(x_i - \bar{x})^2}{n}} \]

ORNEK :

\[ Standart Sapma:s = \sqrt{\frac{\sum_{i=1}^{n}(x_i - \bar{x})^2}{n-1}} = \sqrt{\frac{(1-16.57)^2 + (7-16.57)^2 + \cdots + (52-16.57)^2}{7-1}} \]

\[ Standart Sapma: s = \sqrt{\frac{502.57}{6}} \approx \sqrt{83.76} \approx 9.15 \]

Kovaryans nedir:

Kovaryans, iki rastgele değişkenin beklenen değerlerinden toplam varyasyonunu ölçen bir kavramdır. Kovaryansı kullanarak, yalnızca ilişkinin yönünü ölçebiliriz (değişkenler birbiri ardına hareket etme eğilimi gösterme veya ters ilişki gösterme eğilimi). Ancak, ilişkinin gücünü veya değişkenler arasındaki bağımlılığı göstermez.

Kovaryansın hesaplanması küçük parçalar haline hesaba konulan değerlerle yapılabilir ve bu süreç şu formüle göre yapılabilir:

\[ \text{cov}(X, Y) = \frac{\sum_{i=1}^{n}(X_i - \bar{X})(Y_i - \bar{Y})}{n} \]

Korelasyon nedir:

Korelasyon, iki değişken arasındaki ilişkinin derecesini belirlemeye yarayan bir istatistiksel yöntemdir. Bu yöntem, değişkenlerin birbirine olan bağımlılığını ölçer ve ilişkinin doğasını anlamamıza yardımcı olur. Korelasyon, ekonomiden spora, bilimden tıbba kadar birçok alanda kullanılır.şu formüle göre yapılab

\[ \text{corr}(X, Y) = \frac{\sum_{i=1}^{n}(X_i - \bar{X})(Y_i - \bar{Y})}{\sqrt{\sum_{i=1}^{n}(X_i - \bar{X})^2 \cdot \sum_{i=1}^{n}(Y_i - \bar{Y})^2}} \]

Veri setini R’a yukleme

library(readr)
train <- read_csv("C:/Users/USER/Downloads/train.csv")
## Rows: 8693 Columns: 14
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): PassengerId, HomePlanet, Cabin, Destination, Name
## dbl (6): Age, RoomService, FoodCourt, ShoppingMall, Spa, VRDeck
## lgl (3): CryoSleep, VIP, Transported
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
test <- read_csv("C:/Users/USER/Downloads/test.csv")
## Rows: 4277 Columns: 13
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): PassengerId, HomePlanet, Cabin, Destination, Name
## dbl (6): Age, RoomService, FoodCourt, ShoppingMall, Spa, VRDeck
## lgl (2): CryoSleep, VIP
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
library(rmarkdown)
paged_table(train)
paged_table(test)

Veri Kümesi Açıklaması:

Bu yarışmada göreviniz, Uzay Gemisi Titanik’in uzay-zaman anomalisiyle çarpışması sırasında bir yolcunun alternatif bir boyuta taşınıp taşınmadığını tahmin etmektir. Bu tahminleri yapmanıza yardımcı olmak için size geminin hasarlı bilgisayar sisteminden kurtarılan bir dizi kişisel kayıt veriliyor.

Kozmik bir gizemi çözmek için veri bilimi becerilerinize ihtiyaç duyulan 2912 yılına hoş geldiniz. Dört ışık yılı öteden bir sinyal aldık ve işler pek iyi görünmüyor.

Uzay Gemisi Titanik, bir ay önce fırlatılan yıldızlararası bir yolcu gemisiydi. Gemide neredeyse 13.000 yolcu bulunan gemi, güneş sistemimizden göçmenleri yakın yıldızların yörüngesinde bulunan üç yeni yaşanabilir dış gezegene taşımak üzere ilk yolculuğuna çıktı.

Dikkatsiz Uzay Gemisi Titanic, ilk varış noktası olan kavurucu 55 Cancri E’ye giderken Alpha Centauri’yi dönerken, bir toz bulutunun içine gizlenmiş bir uzay-zaman anormalliğiyle çarpıştı. Ne yazık ki 1000 yıl öncesindeki adaşı ile benzer bir kaderle karşılaştı. Gemi sağlam kalmasına rağmen yolcuların neredeyse yarısı alternatif bir boyuta taşındı!

Dosya ve Veri Alanı Açıklamaları

  • train.csv - Yolcuların yaklaşık üçte ikisinin (~8700) kişisel kayıtları, eğitim verileri olarak kullanılacak.
  • PassengerId - Her yolcu için benzersiz bir Kimlik. Her Kimlik gggg_pp biçimini alır; burada gggg yolcunun birlikte seyahat ettiği grubu belirtir ve pp grup içindeki numaradır. Bir gruptaki insanlar çoğunlukla aile üyeleridir, ancak her zaman değil.
  • HomePlanet - Yolcunun ayrıldığı gezegen, genellikle daimi ikamet ettikleri gezegen.
  • CryoSleep - Yolcunun yolculuk süresince animasyonun askıya alınmasını seçip seçmediğini belirtir. Dondurucu uykudaki yolcular kabinlerine hapsedilir.
  • Cabin - Yolcunun kaldığı kabin numarası. Güverte/numara/yan formunu alır; burada taraf, İskele için P veya Sancak için S olabilir.
  • Destination - Yolcunun ineceği gezegen.
  • Age - Yolcunun yaşı.
  • VIP - Yolcunun yolculuk sırasında özel VIP hizmeti için ödeme yapıp yapmadığı. RoomService, FoodCourt, Alışveriş Merkezi, Spa, VRDeck - Yolcunun, Spaceship Titanic’in birçok lüks olanağının her birinde fatura ettiği tutar.
  • Name - Yolcunun adı ve soyadı.
  • Transported - Yolcunun başka bir boyuta taşınıp taşınmadığı. Bu hedeftir, tahmin etmeye çalıştığınız sütundur.
  • test.csv - Yolcuların geri kalan üçte birinin (~4300) kişisel kayıtları, test verisi olarak kullanılacak. Göreviniz bu setteki yolcular için Taşınan değerini tahmin etmektir.
  • sample_submission.csv - Doğru formatta bir gönderim dosyası.
  • PassengerId - Test setindeki her yolcunun kimliği.
  • Transported - Hedef. Her yolcu için Doğru veya Yanlış’ı tahmini yapin.
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ stringr   1.5.1
## ✔ forcats   1.0.0     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(explore)
train %>% describe_all()
## # A tibble: 14 × 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 Destination  chr     182    2.1      4    NA  NA       NA
##  6 Age          dbl     179    2.1     81     0  28.8     79
##  7 VIP          lgl     203    2.3      3     0   0.02     1
##  8 RoomService  dbl     181    2.1   1274     0 225.   14327
##  9 FoodCourt    dbl     183    2.1   1508     0 458.   29813
## 10 ShoppingMall dbl     208    2.4   1116     0 174.   23492
## 11 Spa          dbl     183    2.1   1328     0 311.   22408
## 12 VRDeck       dbl     188    2.2   1307     0 305.   24133
## 13 Name         chr     200    2.3   8474    NA  NA       NA
## 14 Transported  lgl       0    0        2     0   0.5      1
train <- train %>% mutate_if(is.character, as.factor)
train$HomePlanet <- as.factor(train$HomePlanet)
test <- test %>% mutate_if(is.character, as.factor)
summary(train)
##   PassengerId    HomePlanet   CryoSleep           Cabin     
##  0001_01:   1   Earth :4602   Mode :logical   G/734/S:   8  
##  0002_01:   1   Europa:2131   FALSE:5439      B/11/S :   7  
##  0003_01:   1   Mars  :1759   TRUE :3037      B/201/P:   7  
##  0003_02:   1   NA's  : 201   NA's :217       B/82/S :   7  
##  0004_01:   1                                 C/137/S:   7  
##  0005_01:   1                                 (Other):8458  
##  (Other):8687                                 NA's   : 199  
##         Destination        Age           VIP           RoomService     
##  55 Cancri e  :1800   Min.   : 0.00   Mode :logical   Min.   :    0.0  
##  PSO J318.5-22: 796   1st Qu.:19.00   FALSE:8291      1st Qu.:    0.0  
##  TRAPPIST-1e  :5915   Median :27.00   TRUE :199       Median :    0.0  
##  NA's         : 182   Mean   :28.83   NA's :203       Mean   :  224.7  
##                       3rd Qu.:38.00                   3rd Qu.:   47.0  
##                       Max.   :79.00                   Max.   :14327.0  
##                       NA's   :179                     NA's   :181      
##    FoodCourt        ShoppingMall          Spa              VRDeck       
##  Min.   :    0.0   Min.   :    0.0   Min.   :    0.0   Min.   :    0.0  
##  1st Qu.:    0.0   1st Qu.:    0.0   1st Qu.:    0.0   1st Qu.:    0.0  
##  Median :    0.0   Median :    0.0   Median :    0.0   Median :    0.0  
##  Mean   :  458.1   Mean   :  173.7   Mean   :  311.1   Mean   :  304.9  
##  3rd Qu.:   76.0   3rd Qu.:   27.0   3rd Qu.:   59.0   3rd Qu.:   46.0  
##  Max.   :29813.0   Max.   :23492.0   Max.   :22408.0   Max.   :24133.0  
##  NA's   :183       NA's   :208       NA's   :183       NA's   :188      
##                  Name      Transported    
##  Alraium Disivering:   2   Mode :logical  
##  Ankalik Nateansive:   2   FALSE:4315     
##  Anton Woody       :   2   TRUE :4378     
##  Apix Wala         :   2                  
##  Asch Stradick     :   2                  
##  (Other)           :8483                  
##  NA's              : 200
library(tidyverse)
veri <- separate(train, PassengerId, into = c("group_id", "sequence_number"), sep = "_", remove = FALSE)
tekrarlanan_grouplar <- veri %>%
group_by(group_id) %>%
filter(n() > 1) %>%
pull(group_id)  
veri <- veri %>%
mutate(beraber_yolculuk_yapanlar= ifelse(group_id %in% tekrarlanan_grouplar, TRUE, FALSE))  
veri <- separate(veri, Cabin, into = c("sutun1", "sutun2",
 "sutun3"), sep = "/", remove = FALSE )
veri2 <- data.frame(cabin = c("P/3/T", "Q/5/U", "R/7/V"))
veri2 <- separate(veri2, cabin, into = c("sutun1", "sutun2",
 "sutun3"), sep = "/", remove = FALSE )
veri$Cabin <- as.factor(veri$Cabin)
veri$sutun1 <- as.factor(veri$sutun1)
veri$sutun2 <- as.factor(veri$sutun2)
veri$sutun3 <- as.factor(veri$sutun3)
summary(veri)
##   PassengerId     group_id         sequence_number     HomePlanet  
##  0001_01:   1   Length:8693        Length:8693        Earth :4602  
##  0002_01:   1   Class :character   Class :character   Europa:2131  
##  0003_01:   1   Mode  :character   Mode  :character   Mars  :1759  
##  0003_02:   1                                         NA's  : 201  
##  0004_01:   1                                                      
##  0005_01:   1                                                      
##  (Other):8687                                                      
##  CryoSleep           Cabin          sutun1         sutun2      sutun3    
##  Mode :logical   G/734/S:   8   F      :2794   82     :  28   P   :4206  
##  FALSE:5439      B/11/S :   7   G      :2559   19     :  22   S   :4288  
##  TRUE :3037      B/201/P:   7   E      : 876   86     :  22   NA's: 199  
##  NA's :217       B/82/S :   7   B      : 779   176    :  21              
##                  C/137/S:   7   C      : 747   56     :  21              
##                  (Other):8458   (Other): 739   (Other):8380              
##                  NA's   : 199   NA's   : 199   NA's   : 199              
##         Destination        Age           VIP           RoomService     
##  55 Cancri e  :1800   Min.   : 0.00   Mode :logical   Min.   :    0.0  
##  PSO J318.5-22: 796   1st Qu.:19.00   FALSE:8291      1st Qu.:    0.0  
##  TRAPPIST-1e  :5915   Median :27.00   TRUE :199       Median :    0.0  
##  NA's         : 182   Mean   :28.83   NA's :203       Mean   :  224.7  
##                       3rd Qu.:38.00                   3rd Qu.:   47.0  
##                       Max.   :79.00                   Max.   :14327.0  
##                       NA's   :179                     NA's   :181      
##    FoodCourt        ShoppingMall          Spa              VRDeck       
##  Min.   :    0.0   Min.   :    0.0   Min.   :    0.0   Min.   :    0.0  
##  1st Qu.:    0.0   1st Qu.:    0.0   1st Qu.:    0.0   1st Qu.:    0.0  
##  Median :    0.0   Median :    0.0   Median :    0.0   Median :    0.0  
##  Mean   :  458.1   Mean   :  173.7   Mean   :  311.1   Mean   :  304.9  
##  3rd Qu.:   76.0   3rd Qu.:   27.0   3rd Qu.:   59.0   3rd Qu.:   46.0  
##  Max.   :29813.0   Max.   :23492.0   Max.   :22408.0   Max.   :24133.0  
##  NA's   :183       NA's   :208       NA's   :183       NA's   :188      
##                  Name      Transported     beraber_yolculuk_yapanlar
##  Alraium Disivering:   2   Mode :logical   Mode :logical            
##  Ankalik Nateansive:   2   FALSE:4315      FALSE:4805               
##  Anton Woody       :   2   TRUE :4378      TRUE :3888               
##  Apix Wala         :   2                                            
##  Asch Stradick     :   2                                            
##  (Other)           :8483                                            
##  NA's              : 200

ilk yonteme

veri2 <- veri %>% na.omit()
veri$HomePlanet <- as.factor(veri$HomePlanet)
veri$Destination <- as.factor(veri$Destination)
veri$Cabin <- as.factor(veri$Cabin)
veri$group_id <- as.factor(veri$group_id)
veri$PassengerId <- as.factor(veri$PassengerId)
veri$sequence_number <- as.factor(veri$sequence_number)
summary(veri)
##   PassengerId      group_id    sequence_number  HomePlanet   CryoSleep      
##  0001_01:   1   0984   :   8   01     :6217    Earth :4602   Mode :logical  
##  0002_01:   1   4005   :   8   02     :1412    Europa:2131   FALSE:5439     
##  0003_01:   1   4256   :   8   03     : 571    Mars  :1759   TRUE :3037     
##  0003_02:   1   4498   :   8   04     : 231    NA's  : 201   NA's :217      
##  0004_01:   1   5133   :   8   05     : 128                                 
##  0005_01:   1   5756   :   8   06     :  75                                 
##  (Other):8687   (Other):8645   (Other):  59                                 
##      Cabin          sutun1         sutun2      sutun3            Destination  
##  G/734/S:   8   F      :2794   82     :  28   P   :4206   55 Cancri e  :1800  
##  B/11/S :   7   G      :2559   19     :  22   S   :4288   PSO J318.5-22: 796  
##  B/201/P:   7   E      : 876   86     :  22   NA's: 199   TRAPPIST-1e  :5915  
##  B/82/S :   7   B      : 779   176    :  21               NA's         : 182  
##  C/137/S:   7   C      : 747   56     :  21                                   
##  (Other):8458   (Other): 739   (Other):8380                                   
##  NA's   : 199   NA's   : 199   NA's   : 199                                   
##       Age           VIP           RoomService        FoodCourt      
##  Min.   : 0.00   Mode :logical   Min.   :    0.0   Min.   :    0.0  
##  1st Qu.:19.00   FALSE:8291      1st Qu.:    0.0   1st Qu.:    0.0  
##  Median :27.00   TRUE :199       Median :    0.0   Median :    0.0  
##  Mean   :28.83   NA's :203       Mean   :  224.7   Mean   :  458.1  
##  3rd Qu.:38.00                   3rd Qu.:   47.0   3rd Qu.:   76.0  
##  Max.   :79.00                   Max.   :14327.0   Max.   :29813.0  
##  NA's   :179                     NA's   :181       NA's   :183      
##   ShoppingMall          Spa              VRDeck       
##  Min.   :    0.0   Min.   :    0.0   Min.   :    0.0  
##  1st Qu.:    0.0   1st Qu.:    0.0   1st Qu.:    0.0  
##  Median :    0.0   Median :    0.0   Median :    0.0  
##  Mean   :  173.7   Mean   :  311.1   Mean   :  304.9  
##  3rd Qu.:   27.0   3rd Qu.:   59.0   3rd Qu.:   46.0  
##  Max.   :23492.0   Max.   :22408.0   Max.   :24133.0  
##  NA's   :208       NA's   :183       NA's   :188      
##                  Name      Transported     beraber_yolculuk_yapanlar
##  Alraium Disivering:   2   Mode :logical   Mode :logical            
##  Ankalik Nateansive:   2   FALSE:4315      FALSE:4805               
##  Anton Woody       :   2   TRUE :4378      TRUE :3888               
##  Apix Wala         :   2                                            
##  Asch Stradick     :   2                                            
##  (Other)           :8483                                            
##  NA's              : 200

character nedir

character veri türü, metin veya dize değerlerini temsil etmek için kullanılır. Bu veri türü, R’de metinleri depolamak için kullanılır. Metinler, R’de string olarak da bilinir. Verileri karakter formatında saklamak için en basit yöntem, metin parçasının etrafına çift tırnak işareti (“”) koymaktır.

factor nedir

RStudio kullanırken “factor”, verileri kategorize etmek ve sınırlı sayıda farklı değeri depolamak için kullanılan bir veri türüdür. Bu veri türü, hem metin hem de tamsayı verilerini seviyeler olarak depolar. Yani, “factor”, kategorik bir değişken olarak da bilinir ve belirli bir sayıda benzersiz değeri olan sütunlarda kullanışlıdır.

  • Örneğin, medeni durum gibi bir veri alanı sadece “bekar”, “evli”, “ayrılmış”, “boşanmış” veya “dul” gibi değerleri içerebilir. Bu tür verileri “factor” olarak saklamak, analizlerde ve grafiklerde kullanmak için uygundur.
veri <- veri %>%
group_by(group_id) %>%
mutate(homePlanet = if_else(is.na(HomePlanet), first(HomePlanet), HomePlanet)) 
veri[1:100, c(2,4,21)]
## # A tibble: 100 × 3
## # Groups:   group_id [71]
##    group_id HomePlanet homePlanet
##    <fct>    <fct>      <fct>     
##  1 0001     Europa     Europa    
##  2 0002     Earth      Earth     
##  3 0003     Europa     Europa    
##  4 0003     Europa     Europa    
##  5 0004     Earth      Earth     
##  6 0005     Earth      Earth     
##  7 0006     Earth      Earth     
##  8 0006     Earth      Earth     
##  9 0007     Earth      Earth     
## 10 0008     Europa     Europa    
## # ℹ 90 more rows
veri <- veri %>% mutate(hp = if_else(is.na(homePlanet), "Earth", homePlanet))
veri$hp <- as.factor(veri$hp)
veri <- veri %>%
group_by(group_id) %>%
mutate(DestinationNasiz = if_else(is.na(Destination), first(HomePlanet), Destination)) 
library(ggplot2)
ggplot(veri, aes(x=RoomService)) +
geom_histogram()  
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## Warning: Removed 181 rows containing non-finite outside the scale range
## (`stat_bin()`).

library(mice)
## Warning in check_dep_version(): ABI version mismatch: 
## lme4 was built with Matrix ABI version 1
## Current Matrix ABI version is 0
## Please re-install lme4 from source or restore original 'Matrix' package
## 
## Attachement du package : 'mice'
## L'objet suivant est masqué depuis 'package:stats':
## 
##     filter
## Les objets suivants sont masqués depuis 'package:base':
## 
##     cbind, rbind
md.pattern(train[1:500,])

##     PassengerId Transported VIP Destination FoodCourt Spa VRDeck Name CryoSleep
## 376           1           1   1           1         1   1      1    1         1
## 13            1           1   1           1         1   1      1    1         1
## 14            1           1   1           1         1   1      1    1         1
## 12            1           1   1           1         1   1      1    1         1
## 3             1           1   1           1         1   1      1    1         1
## 12            1           1   1           1         1   1      1    1         1
## 2             1           1   1           1         1   1      1    1         1
## 13            1           1   1           1         1   1      1    1         1
## 1             1           1   1           1         1   1      1    1         1
## 10            1           1   1           1         1   1      1    1         0
## 1             1           1   1           1         1   1      1    1         0
## 11            1           1   1           1         1   1      1    0         1
## 6             1           1   1           1         1   1      0    1         1
## 1             1           1   1           1         1   1      0    1         1
## 1             1           1   1           1         1   1      0    1         0
## 8             1           1   1           1         1   0      1    1         1
## 4             1           1   1           1         0   1      1    1         1
## 1             1           1   1           1         0   1      1    1         1
## 1             1           1   1           1         0   1      0    1         1
## 5             1           1   1           0         1   1      1    1         1
## 1             1           1   1           0         1   1      1    1         1
## 4             1           1   0           1         1   1      1    1         1
##               0           0   4           6         6   8      9   11        12
##     RoomService HomePlanet Age Cabin ShoppingMall    
## 376           1          1   1     1            1   0
## 13            1          1   1     1            0   1
## 14            1          1   1     0            1   1
## 12            1          1   0     1            1   1
## 3             1          1   0     1            0   2
## 12            1          0   1     1            1   1
## 2             1          0   1     1            0   2
## 13            0          1   1     1            1   1
## 1             0          1   1     0            1   2
## 10            1          1   1     1            1   1
## 1             1          1   1     0            1   2
## 11            1          1   1     1            1   1
## 6             1          1   1     1            1   1
## 1             1          1   1     0            1   2
## 1             1          1   1     1            1   2
## 8             1          1   1     1            1   1
## 4             1          1   1     1            1   1
## 1             1          1   1     0            1   2
## 1             1          1   1     1            1   2
## 5             1          1   1     1            1   1
## 1             1          0   1     1            1   2
## 4             1          1   1     1            1   1
##              14         15  15    18           18 136
library(mice)
VIM::aggr(x= train, sortVars=T)

## 
##  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
##        VRDeck 0.02162660
##     FoodCourt 0.02105142
##           Spa 0.02105142
##   Destination 0.02093639
##   RoomService 0.02082135
##           Age 0.02059128
##   PassengerId 0.00000000
##   Transported 0.00000000