ILK PROJE
.RYükleme
.Rmarkdown başlangiç
.Web sayfasına hazırlama
.Internete yükleme
Formül yazma
\[ U=P*i*t \]
## Warning: package 'WDI' was built under R version 4.3.3## Warning: package 'ggplot2' was built under R version 4.3.3# Örnek enflasyon verilerini oluşturalım
years <- c(2015, 2016, 2017, 2018, 2019, 2020, 2021)
ukraine_inflation <- c(48.7, 12.4, 13.9, 9.8, 4.1, 5.2, 7.3)
somalia_inflation <- c(3.2, 4.5, 5.8, 7.1, 8.4, 9.7, 11.0)
# Verileri bir veri çerçevesine dönüştürelim
inflation_data <- data.frame(Year = years,
Ukraine = ukraine_inflation,
Somalia = somalia_inflation)
# Grafik çizimi
library(ggplot2)
ggplot(inflation_data, aes(x = Year)) +
geom_line(aes(y = Ukraine, color = "Ukraine")) +
geom_line(aes(y = Somalia, color = "Somalia")) +
labs(title = "Ukraine vs Somalia Enflasyon",
x = "Yıl",
y = "Enflasyon Oranı (%)",
color = "Ülke") +
scale_color_manual(values = c("Ukraine" = "blue", "Somalia" = "red")) +
theme_minimal()
Makine Öğrenmesi Açıklayın
Makine öğrenmesi, bilgisayar sistemlerinin deneyimden öğrenmesine ve verilerdeki desenleri tanımasına izin veren bir yapay zeka dalıdır. Bir nevi bilgisayarların belirli bir görevi belirli bir performans ölçütüne göre iyileştirmek için veri analizi yapması ve bu analize dayanarak gelecekteki verilere uygun şekilde tepki vermesidir.
Temel olarak, makine öğrenimi, bir algoritmanın belirli bir görevi gerçekleştirmek için girdi verilerini kullanarak bu görevi öğrenmesi ve optimize etmesi işlemidir. Bu algoritma, genellikle bir model olarak adlandırılır ve belirli bir problemi çözmek için uyarlanır. Model, genellikle eğitim verileri adı verilen bir veri kümesi üzerinde eğitilir ve ardından yeni verilere uygulanabilir.
Makine öğrenimi genellikle iki ana kategoride incelenir:
Denetimli Öğrenme (Supervised Learning): Bu kategoride, eğitim veri seti girdi verilerini ve bunlara karşılık gelen çıktıları içerir. Model, bu veri setine dayalı olarak girdi ve çıktı arasındaki ilişkiyi öğrenir. Ardından, yeni girdilere dayalı olarak çıktıları tahmin edebilir. Sınıflandırma ve regresyon gibi problemler, denetimli öğrenme kullanılarak çözülebilir.
Denetimsiz Öğrenme (Unsupervised Learning): Bu kategoride, eğitim veri seti yalnızca girdi verilerini içerir ve çıktılarla ilgili herhangi bir bilgi sağlanmaz. Model, veri setindeki desenleri veya yapıları öğrenir ve genellikle verileri gruplara veya kümeler halinde ayırır. Kümeleme ve boyut azaltma gibi problemler, denetimsiz öğrenme kullanılarak çözülebilir.
Makine öğrenimi algoritmaları ve teknikleri, veri setlerindeki desenleri tanımak, gelecekteki olayları tahmin etmek, kararlar almak ve veriler arasındaki ilişkileri anlamak için kullanılabilir. Makine öğrenimi, birçok endüstride, örneğin sağlık, finans, perakende ve otomotiv gibi birçok alanda yaygın olarak kullanılmaktadır.
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 NEDIR?
“Ortalama, bir veri kümesindeki değerlerin genel bir temsilini sağlamak için kullanılan bir istatistiksel ölçüdür. Genellikle, bir veri kümesindeki tüm değerlerin toplamının, bu değerlerin sayısına bölünmesiyle hesaplanır. Bir veri kümesinin ortalama değeri genellikle”x̄” (x çizgi) veya “μ” (mu) sembolleri ile gösterilir.
Bir veri kümesinin ortalama değeri, bu kümedeki değerlerin merkezi bir ölçüsünü temsil eder. Örneğin, bir sınıftaki öğrencilerin notlarının ortalaması, o sınıftaki genel başarı düzeyini temsil eder. Bir şirketin çalışanlarının maaşlarının ortalaması, o şirketteki tipik maaş düzeyini yansıtır.
Ortalama, veri setinin dağılımını anlamak ve karşılaştırmak için sıklıkla kullanılan bir ölçüdür. Ancak, veri setinde aykırı değerler varsa, ortalama bu değerlerden etkilenebilir ve gerçekten temsili olmayabilir. Bu durumlarda, medyan veya mod gibi diğer istatistiksel ölçümler daha uygun olabilir.
Genel olarak, ortalama bir veri setinin merkezi eğilimini temsil eder, ancak tek başına veri seti hakkında tam bir resim sunmaz. Veri setinin dağılımını daha iyi anlamak için diğer istatistiksel ölçümlerle birlikte kullanılmalıdır”
ORTALAMA FÖRMÜL
\[ \bar{X} = \frac {\Sigma^n_İ (X_i)}{n} \]
korelasyon nedir?
Korelasyon, istatistiksel bir terimdir ve değişkenler arasındaki ilişkiyi ölçmek için kullanılır. Özellikle istatistiksel analizlerde ve veri bilimi alanında sıkça kullanılır. Korelasyon, genellikle Pearson korelasyon katsayısı olarak bilinen bir ölçüt ile ifade edilir.
korelasyon formül
\[ R = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})}} \]
standart nedir?
Standart sapma, istatistik ve olasılık teorisinde bir veri setinin dağılımının yayılma veya değişkenliğini ölçen bir ölçüdür. Bir veri setindeki değerler ne kadar homojen veya heterojen dağılmışsa, standart sapma o kadar büyük veya küçük olur.
standart sapma formül
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
kovaryans nedir?
Kovaryans, istatistik ve olasılık teorisinde iki değişken arasındaki ilişkinin değişkenlik ölçüsünü ifade eden bir terimdir. İki değişken arasındaki ilişkinin doğasını tanımlar ve bu ilişkinin ne kadar değişkenlik gösterdiğini belirler.
kovaryans formül
\[ cov(X,Y)=\frac {\Sigma^n_i (X_i-X)(Y_i-Y)}{n-1} \]
TRAIN VE TEST Nedir?
“Train” ve “test” terimleri, makine öğrenimi ve veri bilimi alanlarında sıkça kullanılan kavramlardır ve genellikle veri setlerinin bölünmesi ve modelin değerlendirilmesi süreçlerinde karşımıza çıkarlar.
Eğitim Verisi (Train Data): Makine öğrenimi modelinin öğrenmek için kullandığı veri setidir. Bu veri seti, modelin belirli bir görevi gerçekleştirmesini sağlayacak desenleri öğrenmesine yardımcı olur. Model, eğitim verisi üzerinde eğitilir ve veri setindeki desenleri tanır. Eğitim verisi, genellikle bir veri setinin büyük bir bölümünü oluşturur ve modelin geliştirilmesi için kullanılır.
Test Verisi (Test Data): Makine öğrenimi modelinin performansını değerlendirmek için kullanılan veri setidir. Model, eğitim verisinde öğrendiği desenleri test verisi üzerinde uygular ve bu veri setindeki tahminlerin doğruluğunu ölçer. Test verisi, genellikle ayrılmış küçük bir veri seti parçasıdır ve modelin genelleme yeteneğini değerlendirmek için kullanılır.
Train ve test verilerinin ayrılması, modelin gerçek dünya verilerine nasıl genelleşeceğini anlamak için önemlidir. Eğitim verisi üzerinde iyi performans gösteren bir modelin, test verisinde de benzer şekilde iyi performans göstermesi beklenir. Bu süreç, modelin aşırı uyum (overfitting) veya eksik uyum (underfitting) gibi problemler yaşayıp yaşamadığını belirlemek için önemlidir. Ayrıca, train ve test verilerinin ayrılması, modelin performansını doğru bir şekilde değerlendirmek için kullanılan bağımsız bir değerlendirme setinin oluşturulmasına da olanak sağlar.
## Warning: package 'readr' was built under R version 4.3.3## 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.## 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.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 askıya alınmış animasyona alınmayı 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, ShoppingMall, Spa, VRDeck: Yolcunun, Uzay Gemisi 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.
VERI SETI ACIKLAYIN ?
Veri seti, bir araya getirilmiş veya düzenlenmiş verilerin yapılandırılmış bir koleksiyonudur. Bu veriler, belirli bir amaca hizmet etmek üzere toplanmış veya oluşturulmuş olabilir. Veri setleri genellikle bir veya birden fazla değişkenin (veri noktaları veya gözlemler) bir araya getirilmesinden oluşur ve genellikle bir tablo, matris veya diğer veri depolama biçimlerinde temsil edilirler.
Bir veri seti şu bileşenlerden oluşur:
Gözlemler (Samples): Her bir gözlem, veri setindeki bir biriktirilmiş veri noktasını veya bir örneği temsil eder. Örneğin, bir veri seti, bir müşterinin demografik bilgilerini içerebilir ve her bir gözlem bir müşteriyi temsil eder.
Değişkenler (Features): Değişkenler, her bir gözlemin özelliklerini tanımlayan ölçümler veya niteliklerdir. Örneğin, bir müşteri veri setinde, değişkenler müşterinin yaş, cinsiyet, gelir seviyesi gibi özelliklerini temsil eder.
Veri Tipi (Data Type): Her değişkenin bir veri tipi vardır, bu tip verinin hangi tür bilgiyi içerdiğini belirtir. Örneğin, bir değişken sayısal (örneğin, yaş) veya kategorik (örneğin, cinsiyet) olabilir.
Bağımlı ve Bağımsız Değişkenler: Bir veri setinde, genellikle bağımlı ve bağımsız değişkenler vardır. Bağımlı değişken, genellikle modelin tahmin etmeye çalıştığı veya açıklamaya çalıştığı değişkendir. Bağımsız değişkenler ise bağımlı değişkeni etkileyen faktörlerdir.
Veri Setinin Boyutu (Size of the Data Set): Veri setinin boyutu, içerdiği gözlem ve değişken sayısını ifade eder. Büyük veri setleri binlerce veya milyonlarca gözlem ve yüzlerce veya binlerce değişken içerebilirken, küçük veri setleri yalnızca birkaç gözlem ve değişkene sahip olabilir.
Veri setleri, veri bilimi ve makine öğrenimi gibi alanlarda analiz, modelleme ve keşif amaçları için kullanılır. Veri setlerinin iyi bir şekilde anlaşılması ve doğru bir şekilde kullanılması, veri odaklı karar verme süreçlerinin geliştirilmesi için önemlidir.
CABIN 3 FARKLI GRUP CIKARMAK
## Warning: package 'tidyverse' was built under R version 4.3.3## Warning: package 'tibble' was built under R version 4.3.3## Warning: package 'tidyr' was built under R version 4.3.3## Warning: package 'purrr' was built under R version 4.3.3## Warning: package 'dplyr' was built under R version 4.3.3## Warning: package 'stringr' was built under R version 4.3.3## Warning: package 'forcats' was built under R version 4.3.3## Warning: package 'lubridate' was built under R version 4.3.3## ── 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## Warning: package 'explore' was built under R version 4.3.3## # 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{r}message=FALSE, message=FALSE} library(tidyverse)
veri <- separate(train, PassengerId, into = c("group_id", "sequence_number"), sep = "_", remove = FALSE)veri <- veri %>%
mutate(beraber_yolculuk_yapanlar= ifelse(group_id %in% tekrarlanan_grouplar, TRUE, FALSE))## PassengerId group_id sequence_number HomePlanet
## Length:8693 Length:8693 Length:8693 Length:8693
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## 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
## Length:8693 Min. : 0.00 Mode :logical Min. : 0.0
## Class :character 1st Qu.:19.00 FALSE:8291 1st Qu.: 0.0
## Mode :character Median :27.00 TRUE :199 Median : 0.0
## 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
## Length:8693 Mode :logical Mode :logical
## Class :character FALSE:4315 FALSE:4805
## Mode :character TRUE :4378 TRUE :3888
##
##
##
## ## 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 Name
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Length:8693
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0 Class :character
## Median : 0.0 Median : 0.0 Median : 0.0 Mode :character
## 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
## Transported beraber_yolculuk_yapanlar
## Mode :logical Mode :logical
## FALSE:4315 FALSE:4805
## TRUE :4378 TRUE :3888
##
##
##
## character nedir?
“Character”, İngilizce kökenli bir terim olup farklı bağlamlarda farklı anlamlara gelebilir. Genel olarak kullanıldığında, “character” kelimesi bir kişinin veya varlığın kişilik özelliklerini, davranışlarını ve değerlerini ifade eder. Ancak bu terim farklı alanlarda da farklı anlamlar taşıyabilir:
Edebiyat ve Sinema: Bir hikaye veya filmdeki karakterler, o hikayenin veya filmin yaratılmış kişileridir. Bu karakterler, yazarın veya senaristin belirlediği özelliklere, motivasyonlara ve gelişimlere sahip olabilirler. Örneğin, Harry Potter serisindeki “Harry Potter” veya “Hermione Granger” gibi karakterler edebi eserlerin karakterleridir.
Yazılı Metinlerde Kullanımı: Metinlerde kullanıldığında, “character” kelimesi bir harfi veya sembolü ifade edebilir. Örneğin, bir yazılı metinde “A”, “B”, “C” gibi harfler karakterler olarak adlandırılabilir.
Karakter kodlaması (Character Encoding): Bilgisayar biliminde, karakterlerin sayısal değerlere dönüştürülmesi ve saklanması için kullanılan sistemdir. ASCII ve Unicode gibi karakter kodlamaları yaygın olarak kullanılan örneklerdir.
Kişilik Özellikleri ve Değerler: “Good character” veya “bad character” gibi ifadelerde kullanıldığında, kişinin sahip olduğu karakter; yani dürüstlük, cesaret, adanmışlık gibi kişilik özellikleri ve değerlerdir.
Karakter Analizi: Psikolojide, “character” terimi bir kişinin davranışlarını, duygularını, düşüncelerini ve motivasyonlarını içeren kompleks bir yapıyı ifade edebilir. Karakter analizi, bu yapıyı anlamak ve tanımlamak için kullanılır.
Bu bağlamlardan hangisinin sorunuzla ilgili olduğunu belirtirseniz daha spesifik bir açıklama yapabilirim.
factor nedir?
“Factor” kelimesi, İngilizce kökenli olup farklı bağlamlarda farklı anlamlara gelebilir. İşte yaygın kullanım alanlarından bazıları:
Matematik ve İstatistik: Bir sayıyı veya terimi tam bölen bir sayı veya terimdir. Örneğin, 6’nın faktörleri 1, 2, 3 ve 6’dır çünkü bu sayılar 6’yı tam böler.
Faktör Analizi: Bu terim, özellikle sosyal bilimler ve istatistik alanlarında kullanılır. Faktör analizi, çok değişkenli veri setlerindeki değişkenler arasındaki ilişkileri inceleyen bir istatistiksel yöntemdir. Bu analiz, veri setindeki yapıyı anlamak ve daha az sayıda temel faktörü açıklamak için kullanılır.
İşletme ve Ekonomi: “Faktör” terimi, ekonomide ve işletme yönetiminde, bir sonucu etkileyen veya belirleyen unsurları ifade eder. Örneğin, ekonominin büyüme hızını etkileyen faktörler arasında tüketim harcamaları, yatırımlar ve dış ticaret dengesi gibi unsurlar sayılabilir.
Bilgisayar Bilimi: “Faktör” kelimesi, algoritmik karmaşıklığı ifade etmek için kullanılabilir. Örneğin, bir algoritmanın performansı genellikle giriş boyutunun bir fonksiyonu olarak ifade edilir ve bu faktör algoritmanın etkinliğini belirler.
Genetik: Genetik biliminde, “faktör” terimi, belirli bir özellik veya hastalığın oluşumunda rol oynayan genetik veya çevresel bileşenleri ifade eder. Örneğin, bir hastalığın oluşumunda genetik faktörlerin rolü olduğu söylenebilir.
Bağlamına bağlı olarak, “faktör” kelimesinin anlamı değişebilir. Bu nedenle, hangi alanda kullanıldığına bağlı olarak daha spesifik bir açıklama yapılabilir.
veri <- veri %>%
group_by(group_id) %>%
mutate(homePlanet = if_else(is.na(HomePlanet), first(HomePlanet), HomePlanet)) ## # 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 rowsveri <- veri %>%
group_by(group_id) %>%
mutate(DestinationNasiz = if_else(is.na(Destination), first(HomePlanet), Destination))## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 181 rows containing non-finite outside the scale range
## (`stat_bin()`).
## Warning: package 'mice' was built under R version 4.3.3## 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##
## Attaching package: 'mice'## The following object is masked from 'package:stats':
##
## filter## The following objects are masked from 'package:base':
##
## cbind, rbind
## 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
##
## 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