ILK PROJET
.R yükledik
.R Markdown başlangıç
.Web sayfası hazırlandık
.İnternete yükledik
FORMUL
\[ E=m*c^2 \]
Türkiye ve Filistin Enflasyon
## Warning: package 'ggplot2' is in use and will not be installedlibrary(ggplot2)
# Veri setlerini oluşturun (örneğin)
years <- c(2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021)
inflation_turkey <- c(6.31, 6.16, 7.40, 8.86, 7.67, 7.92, 11.14, 20.3, 15.18, 11.77, 18.11)
inflation_palestine <- c(2.69, 2.85, 2.74, 1.19, 0.63, 0.87, 1.63, 0.56, 0.76, 0.68, 0.33)
# Veri çerçevesini oluşturun
inflation_data <- data.frame(Year = years,
Turkey = inflation_turkey,
Palestine = inflation_palestine)
# Veri çerçevesinin ilk satırlarını gözden geçirin
head(inflation_data)## Year Turkey Palestine
## 1 2011 6.31 2.69
## 2 2012 6.16 2.85
## 3 2013 7.40 2.74
## 4 2014 8.86 1.19
## 5 2015 7.67 0.63
## 6 2016 7.92 0.87# Grafik çizin
ggplot(data = inflation_data, aes(x = Year)) +
geom_line(aes(y = Turkey, color = "Turkey")) +
geom_line(aes(y = Palestine, color = "Palestine")) +
labs(title = "2011-2021 Yılları Arası Türkiye ve Filistin Enflasyon Oranları",
x = "Yıl",
y = "Enflasyon Oranı (%)",
color = "Ülke") +
scale_color_manual(values = c(Turkey = "blue", Palestine = "red")) +
theme_minimal()
Makine ogrenmesi aciklayin
Makine öğrenmesi (Machine Learning), bilgisayar sistemlerinin belirli bir görevi veya problemi çözmek için veriye dayalı olarak öğrenme yeteneği kazanması sürecidir. Geleneksel programlamadan farklı olarak, makine öğrenmesi algoritmaları veri üzerinde model oluşturur ve bu modeli kullanarak gelecekteki verilere uygun şekilde yanıt verirler.
Makine öğrenmesi genellikle üç ana kategori altında incelenir:
Denetimli Öğrenme (Supervised Learning): Bu yaklaşımda, algoritma girdi ve çıktı verileri arasındaki ilişkiyi öğrenir. Eğitim veri setinde hem girdi (örnek veri) hem de çıktı (hedef) verileri bulunur. Algoritma bu veriye dayanarak bir model oluşturur ve daha sonra bu modeli kullanarak yeni, görülmemiş girdiler için çıktı tahminlerinde bulunur. Denetimli öğrenme, sınıflandırma (classification) ve regresyon (regression) problemleri için kullanılır.
Denetimsiz Öğrenme (Unsupervised Learning): Bu yaklaşımda, eğitim veri setinde sadece girdi verileri vardır ve herhangi bir çıktı verisi yoktur. Algoritma, veri içindeki yapıları veya desenleri keşfetmeye çalışır. Kümelenme (clustering) ve boyut azaltma (dimensionality reduction) gibi problemler denetimsiz öğrenme örnekleridir.
Pekiştirme Öğrenmesi (Reinforcement Learning): Bu yaklaşımda, bir ajanın bir ortamda belirli bir görevi gerçekleştirmesi gerekmektedir. Ajan, çevresinden gelen geribildirimlere (örneğin, ödüller veya cezalar) dayanarak çevresini keşfeder ve optimal davranışları öğrenir. Pekiştirme öğrenmesi genellikle oyun teorisi, robotik ve yapay zeka gibi alanlarda kullanılır.
Makine öğrenmesi, veri analitiği, desen tanıma, tahmin ve karar verme gibi birçok alanda uygulanabilir. Örneğin, spam filtreleri, yüz tanıma sistemleri, tavsiye sistemleri, otomatik sürüş teknolojileri ve finansal piyasa tahminleri gibi birçok uygulama makine öğrenmesi tekniklerini kullanır.
Space titanic
Kaggle projet
Pacehip titanic( kaggle taninimi)
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 sayıların toplamının, sayı adedine bölünmesiyle elde edilen bir ölçüdür. Aritmetik ortalama en yaygın olarak kullanılan ortalama türüdür.
Aritmetik ortalama, bir veri kümesindeki her bir sayının toplamının, toplamda kaç adet sayı olduğuna bölünmesiyle bulunur.
Formülü
\[ \bar{X} = \frac {\Sigma^n_İ (X_i)}{n} \] ## Örnek:
# Sınav puanları vektörünü oluşturalım
sinav_puanlari <- c(85, 72, 90, 65, 88, 78, 81, 79, 94, 70)
# Aritmetik ortalama hesaplaması
ortalama <- mean(sinav_puanlari)
# Sonucu yazdıralım
print(paste("Sınav puanlarının aritmetik ortalaması:", ortalama))## [1] "Sınav puanlarının aritmetik ortalaması: 80.2"Standart sapma nedir?
Standart sapma, bir veri setindeki değerlerin ne kadar yayıldığını veya dağıldığını ölçen bir istatistiksel ölçüdür. Standart sapma, bir veri setindeki her bir değerin ortalama değerden ne kadar uzaklıkta olduğunu gösterir.
Standart sapma, şu adımları izleyerek hesaplanır:
- Veri setindeki her bir değerin ortalaması bulunur.
- Her bir değerin ortalamadan farkı alınır.
- Bu farkların kareleri alınır.
- Karelerin toplamı alınır ve veri setindeki eleman sayısına bölünür.
- Son olarak, bu değerin karekökü alınarak standart sapma elde edilir.
Standart sapma, veri setindeki değerlerin ne kadar değişkenlik gösterdiğini belirler. Daha yüksek bir standart sapma, veri setindeki değerlerin ortalama değerden daha çok dağıldığı anlamına gelirken, daha düşük bir standart sapma değeri daha az dağılımı ifade eder.
Standart sapma, istatistiksel analizlerde ve karar verme süreçlerinde kullanılan önemli bir ölçüdür. Özellikle, veri setinin değişkenliğini anlamak ve farklı gruplar arasındaki farkları belirlemek için yaygın olarak kullanılır.
Formülü
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \] ## Örnek:
# Sınav puanları vektörünü oluşturalım
sinav_puanlari <- c(85, 72, 90, 65, 88, 78, 81, 79, 94, 70)
# Aritmetik ortalama hesaplaması
ortalama <- mean(sinav_puanlari)
# Her bir puanın ortalamadan farkını alalım
farklar <- sinav_puanlari - ortalama
# Farkların karelerini alalım
kareler <- farklar^2
# Karelerin toplamını alalım ve öğrenci sayısına bölelim
ortalama_kare_sapma <- sum(kareler) / length(sinav_puanlari)
# Son olarak, standart sapmayı bulalım (ortalama kare sapmanın karekökü)
standart_sapma <- sqrt(ortalama_kare_sapma)
# Sonucu yazdıralım
print(paste("Sınav puanlarının standart sapması:", standart_sapma))## [1] "Sınav puanlarının standart sapması: 8.82949602185765"Korelasyon nedir?
Korelasyon, iki değişken arasındaki ilişkinin gücünü ve yönünü ölçen istatistiksel bir kavramdır. İki değişken arasındaki korelasyon, bir değişkenin değeri değiştikçe diğer değişkenin nasıl değiştiğini anlamamıza yardımcı olur. Korelasyon genellikle
-1 ile 1 arasında bir değer alır:
1: Mükemmel pozitif korelasyon (bir değişken arttığında diğer değişken de artar).
0: Hiçbir korelasyon (değişkenler arasında bir ilişki yoktur).
-1: Mükemmel negatif korelasyon (bir değişken arttığında diğer değişken azalır).
Korelasyon katsayısı, genellikle Pearson korelasyon katsayısı veya Spearman sıralama korelasyon katsayısı gibi yöntemlerle hesaplanır. Pearson korelasyonu, iki değişken arasındaki lineer ilişkiyi ölçerken, Spearman korelasyonu sıralı veriler arasındaki ilişkiyi ölçe
Formülü
\[R = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})}} \] ### Örnek:
# Öğrencilerin matematik ve fizik sınav puanları
matematik <- c(85, 72, 90, 65, 88, 78, 81, 79, 94, 70)
fizik <- c(75, 70, 85, 60, 80, 72, 77, 74, 88, 68)
# Pearson korelasyon katsayısını hesaplayalım
korelasyon <- cor(matematik, fizik)
# Sonucu yazdıralım
print(paste("Matematik ve fizik sınavları arasındaki Pearson korelasyon katsayısı:", korelasyon))## [1] "Matematik ve fizik sınavları arasındaki Pearson korelasyon katsayısı: 0.968523458958967"Kovraryans nedir
Kovaryans, iki değişken arasındaki ilişkinin doğasını ölçen bir istatistiksel ölçüdür. Kovaryans, bu iki değişken arasındaki ilişkinin doğrultusunu ve ilişkinin ne kadar güçlü olduğunu gösterir. Kovaryansın yorumu şu şekildedir:
Pozitif bir kovaryans değeri, değişkenler arasında pozitif bir ilişki olduğunu gösterir. Yani, bir değişken artarken diğeri de artar. Negatif bir kovaryans değeri, değişkenler arasında negatif bir ilişki olduğunu gösterir. Yani, bir değişken artarken diğeri azalır. Kovaryansın mutlak değeri, değişkenler arasındaki ilişkinin gücünü gösterir. Ancak, bu değer tek başına ilişkinin büyüklüğünü net bir şekilde ifade etmez. Bu nedenle standartlaştırılmış bir ölçü olan korelasyon katsayısı daha yaygın olarak kullanılır. Kovaryans, özellikle iki değişken arasındaki ilişkinin doğasını anlamak ve analiz etmek için kullanılır.
Formülü
\[ {cov} (X,Y) = \frac {\Sigma (X-X_i)(Y-Y_i)}{n-1} \]
Örnek:
# Öğrencilerin matematik ve fizik sınav puanları
matematik <- c(85, 72, 90, 65, 88, 78, 81, 79, 94, 70)
fizik <- c(75, 70, 85, 60, 80, 72, 77, 74, 88, 68)
# Kovaryansı hesaplayalım
kovaryans <- cov(matematik, fizik)
# Sonucu yazdıralım
print(paste("Matematik ve fizik sınavları arasındaki kovaryans:", kovaryans))## [1] "Matematik ve fizik sınavları arasındaki kovaryans: 74.0222222222222"Traın ve Test nedir
## # 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 açıklama
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 ÇIKARMAK
## 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 doldurulması
## # 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 Name Destination CryoSleep
## 545 1 1 1 1 1 1 1 1
## 17 1 1 1 1 1 1 1 1
## 16 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 15 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 12 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
## 13 1 1 1 1 1 1 1 1
## 3 1 1 1 1 1 1 1 1
## 2 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
## 2 1 1 1 1 1 1 1 1
## 15 1 1 1 1 1 1 1 0
## 2 1 1 1 1 1 1 1 0
## 1 1 1 1 1 1 1 1 0
## 11 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 1 1 1 1 1 0 1
## 13 1 1 1 1 1 0 1 1
## 10 1 1 1 1 0 1 1 1
## 1 1 1 1 1 0 1 1 1
## 6 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 0 1
## 7 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 0 1 1 1 1
## 0 0 10 10 11 13 15 18
## RoomService Age VRDeck HomePlanet Cabin sutun1 sutun2 sutun3 ShoppingMall
## 545 1 1 1 1 1 1 1 1 1
## 17 1 1 1 1 1 1 1 1 0
## 16 1 1 1 1 0 0 0 0 1
## 1 1 1 1 1 0 0 0 0 0
## 15 1 1 1 0 1 1 1 1 1
## 2 1 1 1 0 1 1 1 1 0
## 12 1 1 0 1 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1 0
## 1 1 1 0 1 0 0 0 0 1
## 13 1 0 1 1 1 1 1 1 1
## 3 1 0 1 1 1 1 1 1 0
## 2 1 0 0 1 1 1 1 1 1
## 14 0 1 1 1 1 1 1 1 1
## 1 0 1 1 1 0 0 0 0 1
## 2 0 1 1 0 1 1 1 1 1
## 15 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 0 0 0 0 1
## 1 1 1 0 1 1 1 1 1 1
## 11 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 0
## 1 1 1 1 0 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1 1
## 13 1 1 1 1 1 1 1 1 1
## 10 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 0 0 0 0 1
## 6 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 0 0 0 0 1
## 1 1 1 0 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 1
## 1 1 0 1 1 1 1 1 1 1
## 1 0 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1 1
## 18 19 19 20 23 23 23 23 25
##
## 545 0
## 17 1
## 16 4
## 1 5
## 15 1
## 2 2
## 12 1
## 1 2
## 1 5
## 13 1
## 3 2
## 2 2
## 14 1
## 1 5
## 2 2
## 15 1
## 2 5
## 1 2
## 11 1
## 1 2
## 1 2
## 1 2
## 13 1
## 10 1
## 1 5
## 6 1
## 1 5
## 1 2
## 1 2
## 7 1
## 1 2
## 1 2
## 1 2
## 270## 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
##
## Variables sorted by number of missings:
## Variable Count
## PassengerId 0
## HomePlanet 0
## CryoSleep 0
## Cabin 0
## sutun1 0
## sutun2 0
## sutun3 0
## Destination 0
## Age 0
## VIP 0
## RoomService 0
## FoodCourt 0
## ShoppingMall 0
## Spa 0
## VRDeck 0
## Name 0
## Transported 0