ILK PROJET
.R yükledik
.R Markdown başlangıç
.Web sayfası hazırlandık
.İnternete yükledik
FORMUL
\[ a^2-b^2=(a-b)(a+b) \]
Fransa ve Türkiye enflasyon Oranı
# Örnek veri setini oluşturalım (R'ın içinde bulunan mtcars veri setini kullanacağız)
# Ancak gerçek veri setinizi kullanmalısınız.
# Burada sadece örnek olması için kullanıyoruz.
france_inflation <- c(1.0, 0.5, 0.8, 1.2, 0.7, 0.9) # Fransa'nın 2016-2021 arasındaki enflasyon oranları
turkey_inflation <- c(2.1, 2.5, 3.0, 3.8, 2.9, 3.5) # Türkiye'nin 2016-2021 arasındaki enflasyon oranları
years <- 2016:2021 # Yılları oluşturalım
# Verileri bir veri çerçevesine dönüştürelim
inflation_data <- data.frame(Year = years,
France_Inflation_Rate = france_inflation,
Turkey_Inflation_Rate = turkey_inflation)
# Gerekli kütüphaneleri yükleyelim
install.packages("ggplot2")## Warning: package 'ggplot2' is in use and will not be installedlibrary(ggplot2)
# Grafik oluşturalım
ggplot(inflation_data, aes(x = Year)) +
geom_line(aes(y = France_Inflation_Rate, color = "Fransa")) +
geom_line(aes(y = Turkey_Inflation_Rate, color = "Türkiye")) +
labs(title = "Fransa ve Türkiye Enflasyon Oranları (2016-2021)",
x = "Yıl",
y = "Enflasyon Oranı",
color = "Ülke") +
scale_color_manual(values = c("Fransa" = "blue", "Türkiye" = "red")) +
theme_minimal()
Makine ogrenmesi açıklama
Makine öğrenmesi, bilgisayar sistemlerinin veri analizi yaparak belirli bir görevi gerçekleştirmek için algoritmaları kullanarak öğrenmesini sağlayan bir yapay zeka dalıdır. Bu algoritmalara verilen girdi ve çıktılar arasındaki ilişkileri tespit ederek modeller oluşturur ve bu modelleri kullanarak gelecekteki bilinmeyen verilere dayalı tahminlerde bulunabilir.
Makine öğrenmesi genellikle iki kategori altında incelenir:
- Denetimli Öğrenme (Supervised Learning): Bu
yaklaşımda, algoritma girdi verileri ve bu verilere karşılık gelen
çıktıları kullanarak bir model oluşturur. Model, girdi verileri ile
belirli bir çıktı arasındaki ilişkiyi öğrenir. Denetimli öğrenme
problemleri, sınıflandırma ve regresyon gibi alt kategorilere
ayrılabilir.
- Sınıflandırma (Classification): Girdi verileri, farklı sınıflara ayrılmış çıktılarla ilişkilendirilir. Örneğin, e-posta mesajlarını spam veya spam değil olarak sınıflandırma.
- Regresyon (Regression): Girdi verileri ile sürekli bir çıktı arasındaki ilişkiyi öğrenir. Örneğin, ev fiyatlarını belirleyen faktörler arasındaki ilişkiyi modelleme.
- Denetimsiz Öğrenme (Unsupervised Learning): Bu
yaklaşımda, algoritma girdi verilerini çıktılar olmadan analiz eder.
Algoritma, girdi verilerindeki yapıları ve desenleri keşfetmeye çalışır.
Denetimsiz öğrenme problemleri, kümeleme (clustering) ve boyut indirgeme
(dimensionality reduction) gibi alt kategorilere ayrılabilir.
- Kümeleme (Clustering): Verileri benzer özelliklere sahip gruplara böler. Örneğin, müşteri segmentasyonu yapmak için kullanılabilir.
- Boyut İndirgeme (Dimensionality Reduction): Yüksek boyutlu veri kümesini daha düşük boyutlu bir temsile dönüştürür. Örneğin, gereksiz özellikleri çıkartarak veri analizini ve modelleme sürecini basitleştirebilir.
Makine öğrenmesi, birçok farklı algoritma ve teknik içerir ve bu teknikler, çeşitli veri türleri ve problemler için uygun olabilir. Öğrenme algoritmalarının seçimi, veri setinin büyüklüğü, doğası ve problemin karmaşıklığı gibi faktörlere bağlı olacaktır.
SApace titanic
kaggle projet
pacehip titanic( kaggle tanım)
Hoş geldiniz 2912 yılına, burada veri bilimi yeteneklerinizin bir kozmik gizemi çözmek için gerektiği bir yerdesiniz. Dört ışık yılı uzaktan bir ileti aldık ve durum pek iç açıcı değil.
Uzay Gemisi Titanic, bir ay önce fırlatılan yıldızlar arası bir yolcu gemisiydi. Yaklaşık 13,000 yolcuyla donatılmış olarak, gemi, güneş sistemimizden ayrılarak, yakındaki yıldızlar etrafında dönen üç yeni yaşanabilir ötegezegenine göçmen taşıyan ilk seferine çıktı.
Alpha Centauri’yi dönerken ilk varış noktasına - kavurucu 55 Cancri E’ye - ulaşma yolunda, dikkatsiz Uzay Gemisi Titanic, bir toz bulutu içinde gizlenmiş bir uzay-zaman anormalliği ile çarpıştı. Maalesef, bin yıl öncesinin adını taşıyan gemi gibi benzer bir kaderi paylaştı. Gemisi sağlam kalsa da, yolcuların neredeyse yarısı alternatif bir boyuta taşındı!
Kurtarma ekiplerine yardımcı olmak ve kaybolan yolcuları kurtarmak için, sizi geminin hasar görmüş bilgisayar sisteminden kurtarılan kayıtları kullanarak anomali tarafından taşınan hangi yolcuların olduğunu tahmin etmeye çağırıyoruz.
Onları kurtarmaya yardımcı olun ve tarihi değiştirin!
ORTALAMA NEDIR?
“Ortalama”, bir veri kümesindeki değerlerin genel bir temsilini ifade eden bir ölçüdür. Genellikle, bir veri kümesindeki tüm değerlerin toplanarak toplam sayıya bölünmesiyle elde edilir. Ortalama, veri kümesinin merkezi bir eğilimini gösterir ve verilerin dağılımı hakkında bilgi sağlar.
Bir veri kümesindeki değerlerin ortalamasını hesaplamak için, öncelikle tüm değerlerin toplamını alır ve ardından bu toplamı veri kümesindeki toplam veri sayısına bölersiniz.
Formül
\[ \bar{X} = \frac {\Sigma^n_İ (X_i)}{n} \]
Standart Sapma nedir
Standart sapma, bir veri kümesinin dağılımının yayılımını ve verilerin ne kadar değişken olduğunu ölçen bir istatistiksel ölçüdür. Standart sapma, ortalama etrafındaki veri noktalarının ne kadar yayıldığını belirtir. Daha düşük bir standart sapma, veri noktalarının ortalama etrafında daha yakın olduğunu gösterirken, daha yüksek bir standart sapma, veri noktalarının ortalama etrafında daha fazla dağıldığını gösterir.
Standart sapma, bir veri kümesindeki her bir değerin, ortalama değerden ne kadar uzaklıkta olduğunu ölçer. Standart sapma hesaplanırken, her bir veri noktasının ortalama ile olan farkı alınır, bu farkların karesi alınır, bu karelerin toplamı alınır ve ardından bu toplam veri sayısına bölünerek ortalama karesel fark bulunur. Son olarak, bu ortalama karesel farkın karekökü alınarak standart sapma elde edilir.
Formül
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
Korelasyon nedir?
Korelasyon, iki değişken arasındaki ilişkiyi ölçen istatistiksel bir ölçüdür. Korelasyon, bu değişkenler arasındaki ilişkinin ne kadar güçlü olduğunu ve bu ilişkinin yönünü (olumlu veya olumsuz) gösterir. . Pearson korelasyon katsayısı, iki sürekli değişken arasındaki doğrusal ilişkiyi ölçer. Bu katsayı -1 ile +1 arasında değer alır:
. 1’e yaklaşan bir korelasyon katsayısı, pozitif bir ilişkiyi gösterir. Yani, bir değişkenin artışıyla diğer değişkenin de arttığına işaret eder. . -1’e yaklaşan bir korelasyon katsayısı, negatif bir ilişkiyi gösterir. Yani, bir değişkenin artışıyla diğer değişkenin azaldığına işaret eder. . 0’a yaklaşan bir korelasyon katsayısı, iki değişken arasında bir ilişki olmadığını veya çok zayıf bir ilişki olduğunu gösterir.
Formül
\[ R = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})}} \]
Örnek
# Öğrencinin ders çalışma süreleri (saat cinsinden)
ders_calisma_sureleri <- c(2, 3, 4, 5, 6, 7, 8)
# Öğrencinin aldığı notlar
notlar <- c(60, 65, 70, 75, 80, 85, 90)
# Veri setini bir veri çerçevesine dönüştürelim
veri <- data.frame(Ders_Calisma_Suresi = ders_calisma_sureleri, Notlar = notlar)
# Korelasyonu hesapla
korelasyon <- cor(veri$Ders_Calisma_Suresi, veri$Notlar)
# Sonucu ekrana yazdır
print(korelasyon)## [1] 1Kovaryans nedir?
Kovaryans, iki değişken arasındaki ilişkinin doğasını ölçen bir istatistiksel ölçüdür. Kovaryans, iki değişkenin birlikte nasıl değiştiğini belirler. İki değişken arasındaki ilişki pozitif ise (artan bir değişkenin diğerinin artmasına neden olduğu durum), kovaryans pozitif olacaktır. İki değişken arasındaki ilişki negatif ise (bir değişken artarken diğeri azalıyorsa), kovaryans negatif olacaktır.
Formül
\[ {cov} (X,Y) = \frac {\Sigma (X_i-\bar{X})(Y_i-\bar{Y})}{n-1} \] ### Örnek
# Öğrencinin ders çalışma süreleri (saat cinsinden)
ders_calisma_sureleri <- c(2, 3, 4, 5, 6, 7, 8)
# Öğrencinin aldığı notlar
notlar <- c(60, 65, 70, 75, 80, 85, 90)
# Veri setini bir veri çerçevesine dönüştürelim
veri <- data.frame(Ders_Calisma_Suresi = ders_calisma_sureleri, Notlar = notlar)
# Ders çalışma süreleri ile notlar arasındaki kovaryansı hesapla
kovaryans <- cov(veri$Ders_Calisma_Suresi, veri$Notlar)
# Sonucu ekrana yazdır
print(kovaryans)## [1] 23.33333Train ve test nedir?
## # A tibble: 4,277 × 13
## PassengerId HomePlanet CryoSleep Cabin Destination Age VIP RoomService
## <chr> <chr> <lgl> <chr> <chr> <dbl> <lgl> <dbl>
## 1 0013_01 Earth TRUE G/3/S TRAPPIST-1e 27 FALSE 0
## 2 0018_01 Earth FALSE F/4/S TRAPPIST-1e 19 FALSE 0
## 3 0019_01 Europa TRUE C/0/S 55 Cancri e 31 FALSE 0
## 4 0021_01 Europa FALSE C/1/S TRAPPIST-1e 38 FALSE 0
## 5 0023_01 Earth FALSE F/5/S TRAPPIST-1e 20 FALSE 10
## 6 0027_01 Earth FALSE F/7/P TRAPPIST-1e 31 FALSE 0
## 7 0029_01 Europa TRUE B/2/P 55 Cancri e 21 FALSE 0
## 8 0032_01 Europa TRUE D/0/S TRAPPIST-1e 20 FALSE 0
## 9 0032_02 Europa TRUE D/0/S 55 Cancri e 23 FALSE 0
## 10 0033_01 Earth FALSE F/7/S 55 Cancri e 24 FALSE 0
## # ℹ 4,267 more rows
## # ℹ 5 more variables: FoodCourt <dbl>, ShoppingMall <dbl>, Spa <dbl>,
## # VRDeck <dbl>, Name <chr>## # 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>veri seti aciklayin
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.
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, yolcunun birlikte seyahat ettiği grubu belirten ve grup içindeki numarası olan gggg_ppformu alır . Bir gruptaki insanlar çoğunlukla aile üyeleridir, ancak her zaman değil.ggggpp
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. Biçimi güverte/numara/taraf şeklindedir, taraf P (Port) için ya da S (Starboard) için 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.
test.csv - Yolcuların geri kalan üçte birinin (~4300) kişisel kayıtları, test verisi olarak kullanılacak. TransportedGöreviniz bu setteki yolcular için değerini tahmin etmektir .
sample_submission.csv - Doğru formatta bir gönderim dosyası.
PassengerId- Test setindeki her yolcunun kimliği.
Transported- Hedef. Her yolcu için veya’dan birini tahmin Trueedin False.
CABIN 3 FARKLI GRUP CIKARMA
## PassengerId HomePlanet CryoSleep Cabin
## Length:8693 Length:8693 Mode :logical Length:8693
## Class :character Class :character FALSE:5439 Class :character
## Mode :character Mode :character TRUE :3037 Mode :character
## NA's :217
##
##
##
## sutun1 sutun2 sutun3 Destination
## Length:8693 Length:8693 Length:8693 Length:8693
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## 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
## Mode :logical
## FALSE:4315
## TRUE :4378
##
##
##
## Boşlukları doldurulmak
## # A tibble: 17 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 PassengerId fct 0 0 8693 NA NA NA
## 2 HomePlanet fct 201 2.3 4 NA NA NA
## 3 CryoSleep lgl 217 2.5 3 0 0.36 1
## 4 Cabin fct 199 2.3 6561 NA NA NA
## 5 sutun1 fct 199 2.3 9 NA NA NA
## 6 sutun2 fct 199 2.3 1818 NA NA NA
## 7 sutun3 fct 199 2.3 3 NA NA NA
## 8 Destination fct 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 fct 200 2.3 8474 NA NA NA
## 17 Transported lgl 0 0 2 0 0.5 1
##
## 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 VIP FoodCourt Spa Destination Name CryoSleep VRDeck
## 433 1 1 1 1 1 1 1 1 1
## 15 1 1 1 1 1 1 1 1 1
## 13 1 1 1 1 1 1 1 1 1
## 2 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
## 14 1 1 1 1 1 1 1 1 1
## 14 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1
## 7 1 1 1 1 1 1 1 1 0
## 2 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
## 1 1 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 1 0 0
## 11 1 1 1 1 1 1 0 1 1
## 6 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 1 0
## 8 1 1 1 1 0 1 1 1 1
## 4 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 1 1 1 0
## 1 1 1 1 0 1 0 1 1 1
## 4 1 1 0 1 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1 1
## 0 0 5 7 8 9 11 13 13
## RoomService Cabin sutun1 sutun2 sutun3 Age ShoppingMall HomePlanet
## 433 1 1 1 1 1 1 1 1 0
## 15 1 1 1 1 1 1 1 0 1
## 13 1 1 1 1 1 1 0 1 1
## 2 1 1 1 1 1 1 0 0 2
## 12 1 1 1 1 1 0 1 1 1
## 3 1 1 1 1 1 0 0 1 2
## 14 1 0 0 0 0 1 1 1 4
## 14 0 1 1 1 1 1 1 1 1
## 1 0 1 1 1 1 1 1 0 2
## 1 0 0 0 0 0 1 1 1 5
## 7 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 0 1 1 2
## 1 1 0 0 0 0 1 1 1 5
## 11 1 1 1 1 1 1 1 1 1
## 1 1 0 0 0 0 1 1 1 5
## 1 1 1 1 1 1 1 1 1 2
## 11 1 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 0 2
## 1 1 1 1 1 1 1 1 1 2
## 8 1 1 1 1 1 1 1 1 1
## 4 1 1 1 1 1 1 1 1 1
## 1 1 0 0 0 0 1 1 1 5
## 1 1 1 1 1 1 1 1 1 2
## 1 1 1 1 1 1 1 1 1 2
## 4 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 0 1 1 2
## 16 18 18 18 18 18 18 19 209## 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## PassengerId HomePlanet CryoSleep Cabin sutun1
## 0001_01: 1 Earth :3566 Mode :logical B/11/S : 7 F :2152
## 0002_01: 1 Europa:1673 FALSE:4274 C/137/S : 7 G :1973
## 0003_01: 1 Mars :1367 TRUE :2332 E/13/S : 7 E : 683
## 0003_02: 1 G/1476/S: 7 B : 628
## 0004_01: 1 G/734/S : 7 C : 587
## 0005_01: 1 C/21/P : 6 D : 374
## (Other):6600 (Other) :6565 (Other): 209
## sutun2 sutun3 Destination Age VIP
## 82 : 22 P:3261 55 Cancri e :1407 Min. : 0.00 Mode :logical
## 56 : 19 S:3345 PSO J318.5-22: 623 1st Qu.:19.00 FALSE:6444
## 97 : 19 TRAPPIST-1e :4576 Median :27.00 TRUE :162
## 176 : 18 Mean :28.89
## 186 : 17 3rd Qu.:38.00
## 269 : 17 Max. :79.00
## (Other):6494
## RoomService FoodCourt ShoppingMall Spa
## Min. : 0 Min. : 0.00 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0 Median : 0.00 Median : 0.0 Median : 0.0
## Mean : 223 Mean : 478.96 Mean : 178.4 Mean : 313.2
## 3rd Qu.: 49 3rd Qu.: 82.75 3rd Qu.: 30.0 3rd Qu.: 65.0
## Max. :9920 Max. :29813.00 Max. :12253.0 Max. :22408.0
##
## VRDeck Name Transported
## Min. : 0.0 Alraium Disivering: 2 Mode :logical
## 1st Qu.: 0.0 Ankalik Nateansive: 2 FALSE:3279
## Median : 0.0 Anton Woody : 2 TRUE :3327
## Mean : 303.8 Apix Wala : 2
## 3rd Qu.: 52.0 Asch Stradick : 2
## Max. :20336.0 Carry Contrevins : 2
## (Other) :6594