EKONOMETRI ILK PROJE
ILK PROJE
.R yükledik
.R Markdown başlangıç
.Web sayfası hazırlandık
.İnternete yükledik
Türkiye ve Fas’ın 2017-2021 arasındaki enflasyon Grafik
## Warning: le package 'ggplot2' est en cours d'utilisation et ne sera pas
## installélibrary(ggplot2)
# Türkiye ve Fas'ın 2017-2021 arasındaki enflasyon verileri
turkiye_enflasyon <- c(11.14, 11.92, 8.53, 14.97, 14.60) # 2017-2021
fas_enflasyon <- c(0.2, 1.4, 0.2, 1.4, 0.9) # 2017-2021
yillar <- c(2017, 2018, 2019, 2020, 2021) # Yıllar
# Verileri bir veri çerçevesi haline getirme
veri <- data.frame(Yıl = yillar, Türkiye = turkiye_enflasyon, Fas = fas_enflasyon)
# Grafik çizimi
grafik <- ggplot(veri, aes(x = Yıl)) +
geom_line(aes(y = Türkiye, color = "Türkiye"), size = 1.2) +
geom_line(aes(y = Fas, color = "Fas"), size = 1.2) +
scale_color_manual(values = c("Türkiye" = "blue", "Fas" = "red")) +
labs(title = "2017-2021 Türkiye ve Fas Enflasyonu",
x = "Yıl",
y = "Enflasyon Oranı (%)",
color = "Ãœlke") +
theme_minimal()## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Makine öğrenimi açıklama
Makine öğrenimi, bilgisayar sistemlerinin veri analizi yaparak belirli bir görevi gerçekleştirmek için deneyim kazandığı bir yapay zeka alt alanıdır. Bu algoritmalara, verilerden öğrenme ve gelecekteki verilere dayalı tahminler yapma yeteneği kazandırmak için kullanılan bir dizi istatistiksel ve matematiksel teknik bulunur.
Makine öğrenimi genellikle üç ana kategoride incelenir:
Denetimli Öğrenme (Supervised Learning): Bu yöntemde, algoritma giriş verileri ile çıktı verileri arasındaki ilişkiyi öğrenir. Örneğin, bir evin özelliklerine (odaların sayısı, konumu, vb.) dayalı olarak fiyatını tahmin etmek gibi bir görevde, algoritma bir veri kümesindeki ev özelliklerini ve fiyatlarını kullanarak bu ilişkiyi öğrenir. Denetimli öğrenme, sınıflandırma (classification) ve regresyon (regression) olarak iki ana kategoriye ayrılır.
Denetimsiz Öğrenme (Unsupervised Learning): Bu yöntemde, verilerdeki yapıları ve ilişkileri bulmak için algoritmalar kullanılır. Örneğin, bir müşteri veri setindeki alışveriş alışkanlıklarını analiz etmek için kullanılabilir. Algoritma, benzer davranışlar gösteren müşteri gruplarını belirleyebilir ve bu grupları tanımlamak için kullanıcıya veri setindeki desenler hakkında bilgi verebilir.
Pekiştirmeli Öğrenme (Reinforcement Learning): Bu yöntemde, bir sistem bir ortamda bir görevi gerçekleştirir ve bu görevin sonucuna göre bir ödül veya ceza alır. Sistem, zamanla daha iyi sonuçlar elde etmek için bu ödül ve cezaları kullanarak stratejilerini geliştirir. Örneğin, bir robotun bir odayı temizlemesini sağlayabilirsiniz. Robot, odada hareket ederken çarpışmalardan kaçınmak ve en etkili temizleme stratejisini bulmak için ödüller ve cezalar alır.
Makine öğrenimi günümüzde pek çok alanda kullanılmaktadır, örneğin:
- Tıp: Hastalık teşhisi ve tedavileri üzerine çalışmalar.
- Finans: Hisse senedi tahminleri, kredi risk analizi gibi alanlarda kullanımı.
- Otomotiv: Sürücüsüz araç teknolojileri.
- Perakende: Müşteri tercihlerini analiz ederek öneri sistemleri geliştirme.
Bu, sadece bazı kullanım alanlarının birkaç örneğidir. Makine öğreniminin yaygınlaşmasıyla birlikte, çeşitli endüstrilerde daha fazla yenilik ve gelişme beklenmektedir.
Space titanic
Kaggle projet
Pacehip titanic( kaggle Tanımı)
2912 yılına hoş geldiniz, veri bilimi becerilerinizin bir kozmik gizemi çözmek için gerektiği yer burası. Dört ışık yılı uzaklıktan bir ileti aldık ve işler iyi gitmiyor gibi görünmüyor.
Uzay Gemisi Titanic, bir ay önce fırlatılan bir yıldızlar arası yolcu gemisiydi. Yaklaşık 13.000 yolcuyla birlikte, gemi, yakınlardaki yıldızların etrafında dönen üç yeni yaşanabilir dışgezegenine göçmenleri taşıyarak ilk seferine çıktı.
İlk hedefi olan sıcak 55 Cancri E’ye ulaşmak üzereyken Alpha Centauri’yi dönerek, dikkatsiz Uzay Gemisi Titanic bir toz bulutu içinde gizlenmiş bir uzay-zaman anomalisiyle çarpıştı. Ne yazık ki, isimlerini taşıyan geminin 1000 yıl önceki kaderini yaşadı. Gemisi sağlam kalsa da, 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 anomali tarafından taşınan yolcuları tahmin etme konusunda meydan okunuyorsunuz.
Ortalama nedir?
Ortalama, bir veri kümesindeki değerlerin toplamının, kümenin eleman sayısına bölünmesiyle elde edilen bir ölçüdür. Veri kümesindeki değerlerin genel bir temsilini sağlar. Aritmetik ortalama, en yaygın kullanılan ortalama türüdür. Bir veri kümesindeki tüm değerlerin toplanması ve bu toplamın veri kümesindeki eleman sayısına bölünmesiyle hesaplanır. Bu, bu veri kümesindeki sayıların genel bir temsilidir ve ortalama, veri kümesinin merkezini gösteren bir ölçüdür.
Formülü
\[ \bar{X} = \frac {\Sigma^n_İ (X_i)}{n} \] ## Örnek
# Örnek veri kümesi
veri <- c(1, 3, 5, 7, 9)
# Aritmetik ortalama hesaplama
ortalama <- mean(veri)
# Sonucu yazdırma
print(ortalama)## [1] 5Standart sapma nedir?
Standart sapma, bir veri kümesindeki değerlerin ne kadar yayıldığını veya dağıldığını ölçen bir istatistiksel ölçüdür. Standart sapma, bir veri kümesindeki her bir değerin, ortalama değerden ne kadar uzakta olduğunu gösterir. Daha yüksek bir standart sapma, veri noktalarının ortalamadan daha çok yayıldığı anlamına gelirken, daha düşük bir standart sapma, veri noktalarının ortalamaya daha yakın olduğunu gösterir.
Formülü
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \] ## Örnek
# Örnek veri kümesi
veri <- c(1, 3, 5, 7, 9)
# Standart sapma hesaplama
standart_sapma <- sd(veri)
# Sonucu yazdırma
print(standart_sapma)## [1] 3.162278Korelasyon nedir?
Korelasyon, iki değişken arasındaki ilişkinin gücünü ve yönünü ölçen istatistiksel bir ölçüdür. Korelasyon, iki değişken arasındaki ilişkiyi ifade etmek için kullanılır ve değişkenlerin birlikte nasıl değiştiğini anlamamıza yardımcı olur.
Korelasyon katsayısı, genellikle Pearson korelasyon katsayısı olarak adlandırılan bir ölçü kullanılarak hesaplanır. Pearson korelasyon katsayısı, -1 ile +1 arasında bir değer alır.
+1: Tam pozitif ilişkiyi ifade eder. Bu durumda, bir değişken artarken diğeri de artar. 0: İlişki yoktur veya iki değişken arasında lineer bir ilişki yoktur. -1: Tam negatif ilişkiyi ifade eder. Bu durumda, bir değişken artarken diğeri azalır. Korelasyon, iki değişken arasındaki ilişkinin gücünü ölçer, ancak nedensel ilişkiyi belirlemez. Yani, iki değişken arasında güçlü bir korelasyon bulunması, bir değişkenin diğerini neden olduğu anlamına gelmez.
Formülü
\[ R = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})^2}} \]
Örnek
# Örnek veri
degisken1 <- c(10, 20, 30, 40, 50)
degisken2 <- c(5, 15, 25, 35, 45)
# Korelasyon hesaplama
korelasyon <- cor(degisken1, degisken2)
# Sonucu yazdırma
print(korelasyon)## [1] 1Kovaryans nedir?
Kovaryans, iki değişken arasındaki ilişkinin ne kadar değişken olduğunu ölçen bir istatistiksel terimdir. İki değişkenin birlikte nasıl değiştiğini gösterir. Pozitif bir kovaryans, iki değişkenin birlikte arttığını, negatif bir kovaryans ise bir değişken artarken diğerinin azaldığını gösterir.
Kovaryansın büyüklüğü, iki değişken arasındaki ilişkinin gücünü gösterir, ancak bu ilişkinin yönünü belirtmez.
Formülü
\[ {cov} (X,Y) = \frac {\Sigma (X_i-\bar{X})(Y_i-\bar{Y})}{n-1} \]
Örnek
# Örnek veri
degisken1 <- c(10, 20, 30, 40, 50)
degisken2 <- c(5, 15, 25, 35, 45)
# Kovaryans hesaplama
kovaryans <- cov(degisken1, degisken2)
# Sonucu yazdırma
print(kovaryans)## [1] 250Train 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 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 ineceÄŸi 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 kimliÄŸi.
Transported- Hedef. Her yolcu için veya’dan birini tahmin Trueedin False.
Cabin üç farklı grup çıkarmak
## 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
##
##
##
## BoÅŸluk Doldurma
##
## 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
## 440 1 1 1 1 1 1 1 1 1
## 13 1 1 1 1 1 1 1 1 1
## 15 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
## 1 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
## 7 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
## 5 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 8 8 10 11 13 14
## RoomService Cabin sutun1 sutun2 sutun3 Age HomePlanet ShoppingMall
## 440 1 1 1 1 1 1 1 1 0
## 13 1 1 1 1 1 1 1 0 1
## 15 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 1 0 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 0 1 2
## 1 0 0 0 0 0 1 1 1 5
## 7 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 0 2
## 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
## 7 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 0 1 2
## 1 1 1 1 1 1 1 1 1 2
## 8 1 1 1 1 1 1 1 1 1
## 5 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 19 19 213## 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