EKONOMETRI ILK PROJE
İlk Proje
R yükleme
Rmarkdown başlangıç
Web sayfasını hazırlama
İnternete yükleme
FORMUL YAZMA
\[ \pi= \frac{P_t-P_{t-1}}{P_{t-1}} \]
# 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 belirli bir görevi veya problemi, açıkça programlanmış olmadan, veri üzerinden öğrenme yeteneği kazanarak çözmelerini sağlayan bir yapay zeka alt dalıdır. Geleneksel yazılım geliştirme süreçlerinden farklı olarak, makine öğrenmesinde bilgisayarlar, deneyimlerinden (veri) öğrenir ve bu deneyimleri kullanarak gelecekteki kararlarını ve davranışlarını belirlerler.
Makine öğrenmesi genellikle üç ana kategori altında incelenir:
Denetimli Öğrenme (Supervised Learning): Denetimli öğrenme, giriş verileriyle birlikte eşleştirilmiş doğru çıkışlar kullanılarak modelin öğrenmesini sağlar. Amacı, modelin verilerdeki desenleri algılayıp yeni girişler için doğru çıktıları tahmin etmesini sağlamaktır. Denetimli öğrenme problemleri, sınıflandırma (classification) ve regresyon (regression) olarak iki ana kategoriye ayrılır. Sınıflandırma, verileri belirli bir kategoriye atamakla ilgilenirken, regresyon, sürekli bir çıktı değeri tahmin etmekle ilgilenir.
Denetimsiz Öğrenme (Unsupervised Learning): Denetimsiz öğrenme, giriş verilerinin etiketlenmemiş olduğu durumlarda kullanılır. Amacı, veri setindeki gizli yapıları ve desenleri bulmak ve veri setini anlamak için kullanılır. Kümelenme (clustering) ve boyut indirgeme (dimensionality reduction) gibi teknikler bu kategoride bulunur. Kümelenme, veri noktalarını benzerliklerine göre gruplara ayırırken, boyut indirgeme, veri setindeki gereksiz özellikleri veya gürültüyü ortadan kaldırarak işlemi daha etkili hale getirir.
Pekiştirmeli Öğrenme (Reinforcement Learning): Pekiştirmeli öğrenme, bir ajanın belirli bir ortamda, belirli bir hedefi elde etmek için doğru eylemleri seçmesini öğreten bir öğrenme yaklaşımıdır. Ajan, ortama göre farklı eylemler seçer ve bu eylemlerin sonuçlarına dayanarak ödüller veya cezalar alır. Amacı, uzun vadede en yüksek toplam ödülü (veya en düşük toplam cezayı) elde edecek şekilde davranışı öğrenmektir. Pekiştirmeli öğrenme, robot kontrolü, oyun stratejileri ve otomatik araç sürüşü gibi alanlarda kullanılır.
Makine öğrenmesi, geniş bir uygulama yelpazesine sahiptir ve birçok endüstride kullanılmaktadır. Örnek olarak, doğal dil işleme, görüntü ve ses tanıma, tıbbi teşhis, pazarlama analitiği, finansal tahminler ve otomotiv sektöründeki otonom araçlar gibi alanlarda yaygın olarak kullanılmaktadır.
Kaggle Projesi
Spaceship 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.
Ortalama, standart sapma, kovaryans ve korelasyon nedir?
ortalama nedir?
Ortalama, bir veri kümesindeki sayıların toplamının, veri sayısına bölünmesiyle elde edilen bir ölçüdür. Bir başka deyişle, bir veri kümesindeki değerlerin tipik veya genel bir temsilcisini bulmak için kullanılan bir ölçüdür.
ortalama formulu
\[ \bar{X} = \frac {\Sigma^n_İ (X_i)}{n} \]
standart sapma nedir?
Standart sapma, bir veri kümesinin değerlerinin ne kadar yayıldığını veya değişkenlik gösterdiğini ölçen bir istatistiksel ölçüdür. Bir başka deyişle, standart sapma, bir veri kümesindeki değerlerin ortalama etrafında ne kadar değiştiğini ölçer.
standart sapma formul
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
kovaryans nedir?
Kovaryans, iki değişken arasındaki ilişkinin doğrudan bir ölçüsüdür. İki değişkenin birlikte nasıl değiştiğini gösterir. Pozitif bir kovaryans, iki değişkenin birlikte arttığını, negatif bir kovaryans ise bir değişken artarken diğerinin azaldığını gösterir
kovaryans formul
\[ cov(X,Y)=\frac {\Sigma^n_i (X_i-X)(Y_i-Y)}{n-1} \]
korelasyon nedir?
Korelasyon, iki değişken arasındaki ilişkiyi, bu ilişkinin gücünü ve yönünü ölçen bir istatistiksel ölçüdür. Korelasyon katsayısı, -1 ile +1 arasında bir değer alır. Pozitif bir korelasyon, iki değişken arasında doğrusal bir ilişkinin olduğunu, negatif bir korelasyon ise iki değişken arasında ters bir ilişkinin olduğunu gösterir.
korelasyon formul
\[ R=\frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})}} \]
TRAIN VE TEST NEDIR?
Eğitim ve test, makine öğrenimi ve yapay zeka gibi alanlarda sıkça kullanılan terimlerdir.
Eğitim (Training): Makine öğrenimi modellerinin geliştirildiği aşamadır. Eğitim sürecinde, bir modelin belirli bir görevi yerine getirebilmesi için girdi verileriyle beslenir. Bu girdi verileri, önceden etiketlenmiş (supervizyonlu öğrenme) veya etiketlenmemiş (etiketlenmemiş öğrenme) olabilir. Model, bu verilerden öğrenir ve ardından yeni verilere dayalı tahminler yapabilir.
Test (Testing): Bir modelin eğitim veri kümesi dışındaki veriler üzerinde ne kadar iyi performans gösterdiğini değerlendirmek için kullanılan aşamadır. Test aşamasında, genellikle modelin performansını ölçmek için ayrılmış bir test veri kümesi kullanılır. Bu veri kümesi, modelin daha önce görmediği verilerden oluşur ve modelin genelleme yeteneğini değerlendirmek için kullanılır. Test süreci, modelin gerçek dünya verilerinde ne kadar başarılı olduğunu belirlemeye yardımcı olur.
Eğitim ve test aşamaları, makine öğrenimi modellerinin geliştirilmesi ve değerlendirilmesinde temel adımlardır. Eğitim sürecinde model, veriye dayalı olarak öğrenirken, test sürecinde genelleme yeteneğini değerlendirir. Bu süreçler, bir modelin güvenilirliğini ve performansını anlamak için önemlidir.
## 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, yolcunun seyahat ettiği grubu gösteren gggg ve grubun içindeki numarasını belirten pp olmak üzere iki bölümden oluşur. Bir grup içindeki insanlar genellikle aile üyeleridir, ancak her zaman böyle değildir.
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.
CABIN 3 FARKLI GRUP CIKARMAK
## ── 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## # 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 Destination Age
## Mode :logical G/734/S: 8 Length:8693 Min. : 0.00
## FALSE:5439 B/11/S : 7 Class :character 1st Qu.:19.00
## TRUE :3037 B/201/P: 7 Mode :character Median :27.00
## NA's :217 B/82/S : 7 Mean :28.83
## C/137/S: 7 3rd Qu.:38.00
## (Other):8458 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 Length:8693 Mode :logical
## 1st Qu.: 0.0 1st Qu.: 0.0 Class :character FALSE:4315
## Median : 0.0 Median : 0.0 Mode :character TRUE :4378
## Mean : 311.1 Mean : 304.9
## 3rd Qu.: 59.0 3rd Qu.: 46.0
## Max. :22408.0 Max. :24133.0
## NA's :183 NA's :188
## beraber_yolculuk_yapanlar
## Mode :logical
## FALSE:4805
## 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 Destination Age VIP
## G/734/S: 8 55 Cancri e :1800 Min. : 0.00 Mode :logical
## B/11/S : 7 PSO J318.5-22: 796 1st Qu.:19.00 FALSE:8291
## B/201/P: 7 TRAPPIST-1e :5915 Median :27.00 TRUE :199
## B/82/S : 7 NA's : 182 Mean :28.83 NA's :203
## C/137/S: 7 3rd Qu.:38.00
## (Other):8458 Max. :79.00
## NA's : 199 NA's :179
## RoomService FoodCourt ShoppingMall Spa
## 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 : 224.7 Mean : 458.1 Mean : 173.7 Mean : 311.1
## 3rd Qu.: 47.0 3rd Qu.: 76.0 3rd Qu.: 27.0 3rd Qu.: 59.0
## Max. :14327.0 Max. :29813.0 Max. :23492.0 Max. :22408.0
## NA's :181 NA's :183 NA's :208 NA's :183
## VRDeck Name Transported beraber_yolculuk_yapanlar
## Min. : 0.0 Length:8693 Mode :logical Mode :logical
## 1st Qu.: 0.0 Class :character FALSE:4315 FALSE:4805
## Median : 0.0 Mode :character TRUE :4378 TRUE :3888
## Mean : 304.9
## 3rd Qu.: 46.0
## Max. :24133.0
## NA's :188character nedir?
“Character” kelimesi, genellikle bir kişinin veya bir şeyin özelliklerini, niteliklerini veya doğasını tanımlamak için kullanılan bir terimdir. Karakter, bir kişinin ruhsal veya ahlaki niteliklerini ifade edebileceği gibi, bir hikaye veya yapıt içindeki bir figürü de tanımlayabilir.
Örneğin:
Kişisel Karakter: Bir kişinin karakteri, onun sahip olduğu özellikler, tutumlar, değerler ve davranış biçimleriyle ilgili olarak kullanılır. Bu, bir kişinin dürüstlük, sabır, cesaret, sadakat gibi ahlaki ve ruhsal nitelikleri içerir.
Kurgusal Karakter: Bir hikaye, film veya oyun gibi yapıtlardaki karakterler, yaratılmış kişiliklerdir. Bu karakterler genellikle belirli özelliklere, motivasyonlara ve davranış biçimlerine sahiptirler ve bu özellikler üzerinden hikayenin gelişimini ve temasını taşırlar.
Harf veya Sembol Karakteri: Bilgisayar biliminde, bir karakter genellikle bir harf, rakam, noktalama işareti veya başka bir işareti temsil eden bir semboldür. Bu, metin belgelerinde veya bilgisayar kodlamalarında kullanılır.
Sonuç olarak, “character” terimi geniş bir bağlama sahiptir ve genellikle bir şeyin özünü, doğasını veya tanımlayıcı niteliklerini ifade eder.
factor nedir ?
“Factor” kelimesi, matematikte ve genel olarak bir problem veya durumda etkili olan veya önemli olan unsurları belirtmek için kullanılan bir terimdir. İki farklı bağlamda kullanılabilir:
Matematiksel Bağlamda: Matematikte, “factor” genellikle bir sayının, terimin veya ifadenin başka sayılarla çarpımı olarak tanımlanır. Örneğin, sayı 12’nin faktörleri 1, 2, 3, 4, 6 ve 12’dir, çünkü bu sayılar 12’yi böler. Bir cebirsel ifadedeki “faktörler” ise o ifadeyi çarpan ifadelerdir.
Genel Anlamda: “Factor”, daha genel olarak bir durumu veya sonucu etkileyen veya belirleyen unsurları ifade etmek için kullanılabilir. Örneğin, bir problemi çözerken faktörlerini dikkate almak, o problemde önemli olan değişkenleri veya etkenleri göz önünde bulundurmak anlamına gelir. Bir durumu veya sonucu etkileyen faktörler, genellikle sonucu oluşturan veya değiştiren ana unsurlardır.
Özetle, “factor” terimi matematikte belirli sayıların veya ifadelerin bölenlerini veya çarpanlarını belirtirken kullanıldığı gibi, genel anlamda bir durumu veya sonucu belirleyen unsurları ifade etmek için de kullanılır.
ilk yonteme
veri <- 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()`).
##
## Attaching package: 'mice'## The following object is masked from 'package:stats':
##
## filter## The following objects are masked from 'package:base':
##
## cbind, rbind
##
## 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