EKONOMETRI
ILK PROJE
.R yükleme
.R Markdown başlangıç
.Web sayfası hazırlama
.İnternete yükleme
FORMUL
\[ ds² = -(1 - 2GM/rc²)dt² + (1 - 2GM/rc²)^-(1)*dr² + r²(dθ² + sin²θ dφ²) \]
Türkiye ve Almanya’nın 2018-2020 arasındaki aylık enflasyon grafik
## Warning: le package 'ggplot2' est en cours d'utilisation et ne sera pas
## installélibrary(ggplot2)
# Veri seti oluşturun (örnek veri)
data <- data.frame(
Year = c(2018, 2019, 2020, 2021),
Country = rep(c("France", "Portugal"), each = 4),
Inflation_Rate = c(1.8, 1.5, 1.9, 2.2, 0.3, 0.7, 0.5, 1.0) # Örnek enflasyon oranları, gerçek verilere göre değiştirin
)
# Grafik çizin
ggplot(data, aes(x = Year, y = Inflation_Rate, color = Country)) +
geom_line() +
geom_point() +
labs(title = "France and Portugal Inflation Comparison", x = "Year", y = "Inflation Rate (%)") +
theme_minimal()
Makine öğrenimi
Makine öğrenimi, bilgisayar sistemlerinin veri kullanarak belirli bir görevi öğrenmesini ve bu görevi gerçekleştirmesini sağlayan bir yapay zeka alt dalıdır. Makine öğrenmesi, algoritmaların belirli bir probleme uyum sağlamasını ve deneyimden öğrenme yeteneğini içerir. Genelde, makine öğrenimi üç ana kategori altında incelenir:
Gözetimli Öğrenme (Supervised Learning): Bu türde, algoritma giriş verileri ve bunlara karşılık gelen çıktı verileriyle eğitilir. Amacı, giriş verileri ve çıktı verileri arasındaki ilişkiyi modellemektir. Örnek görevler arasında sınıflandırma (classification) ve regresyon (regression) bulunur. Örneğin, bir e-postaın spam mı yoksa spam olmadığını belirlemek için sınıflandırma algoritmaları kullanılabilir.
Gözetimsiz Öğrenme (Unsupervised Learning): Bu türde, algoritma giriş verileriyle eğitilir, ancak çıktı verileri belirtilmez. Algoritma, veri içindeki kalıpları ve yapıları bulmaya çalışır. Kümeleme (clustering) ve boyut indirgeme (dimensionality reduction) gibi görevler bu kategoriye girer. Örneğin, benzer özelliklere sahip veri noktalarını bir araya getirerek gruplar oluşturan kümeleme algoritmaları kullanılabilir.
Pekiştirmeli Öğrenme (Reinforcement Learning): Bu türde, bir ajan belirli bir ortamda bir görevi gerçekleştirmeye çalışır. Ajan, ortamla etkileşime girer ve bu etkileşimlerden geri bildirim alır. Amacı, belirli bir görevi gerçekleştirmek için en iyi eylem stratejisini öğrenmektir. Örnekler arasında oyun oynama, robot kontrolü ve otomatik araba sürme bulunabilir.
Makine öğrenmesi, büyük miktarda veriye dayalı olarak model oluşturur ve bu modelleri kullanarak gelecekteki veriler üzerinde tahminlerde bulunur veya kararlar verir. Veri bilimi, istatistik, bilgisayar bilimi ve yapay zeka alanlarının kesişiminde bulunan makine öğrenimi, birçok endüstride önemli bir rol oynar, örneğin sağlık, finans, otomotiv, perakende ve daha birçok alanda kullanılır.
space titanic
kaggle
## pacehip titanic
Hoş geldiniz 2912 yılına, veri bilimi becerilerinizin bir kozmik gizemi çözmek için gerekliliği olan yere. 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 birlikte, gemi, güneş sistemimizden üç yakındaki yıldızların etrafında dönen yeni yaşanabilir ötegezegenlere göçmenleri taşıyarak ilk seferine başladı.
İlk hedefi olan sıcak 55 Cancri E’ye doğru Alpha Centauri’yi dolaşırken, dikkatsiz Uzay Gemisi Titanic, bir toz bulutu içinde gizlenmiş bir uzayzaman anormalliğiyle çarpıştı. Ne yazık ki, adını taşıdığı geminin bin yıl önceki kaderine benzer bir kaderle karşılaştı. Gemi bütünlüğünü koruduğu halde, neredeyse yolcuların yarısı alternatif bir boyuta taşındı!
Kurtarma ekiplerine yardımcı olmak ve kayıp yolcuları kurtarmak için, uzay gemisinin hasarlı bilgisayar sisteminden kurtarılan kayıtları kullanarak anomali tarafından taşınan yolcuları tahmin etme konusunda bir meydan okumayla karşı karşıyasınız.
Onları kurtarın ve tarihi değiştirin!
korelasyon
“Korelasyon”, istatistik ve olasılık teorisinde kullanılan bir terimdir ve birbirleri arasındaki ilişkiyi ölçmek için kullanılır. İki değişken arasındaki ilişkiyi belirtmek için kullanılan bir kavramdır. Korelasyon, değişkenler arasındaki ilişkinin yönünü (pozitif veya negatif) ve şiddetini (zayıf, orta veya güçlü) belirlemek için kullanılır.
Pozitif korelasyon, iki değişken arasında artan bir ilişki olduğunu gösterirken, negatif korelasyon, bir değişkenin artmasıyla diğerinin azaldığını gösterir. Korelasyon katsayısı genellikle -1 ile +1 arasında bir değer alır. +1, mükemmel bir pozitif korelasyonu, -1 mükemmel bir negatif korelasyonu ve 0 ise iki değişken arasında bir ilişki olmadığını gösterir.
formül
\[ r = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})^2}} \]
örnek
# Örnek veri setlerini oluşturalım
x <- c(1, 2, 3, 4, 5)
y <- c(6, 7, 8, 34, 10)
# Korelasyon katsayısını hesaplayalım
korelasyon <- cor(x, y)
# Sonucu yazdıralım
print(korelasyon)## [1] 0.4677072ortalama
“Ortalama”, bir veri kümesinin tipik bir değerini temsil etmek için kullanılan bir istatistik terimidir. Bir veri kümesindeki tüm değerlerin toplamının, kümenin eleman sayısına bölünmesiyle hesaplanır. Genellikle, veri setinin merkezi bir temsilcisini bulmak için kullanılır.
Aritmetik ortalama, en yaygın olarak kullanılan ortalama türüdür. Bir veri setindeki tüm değerlerin toplamının eleman sayısına bölünmesiyle hesaplanır.
Ancak, ortalama türleri arasında medyan (veri setindeki orta nokta) ve mod (en sık tekrar eden değer) gibi diğer türler de bulunmaktadır. Bu ortalama türleri, veri setinin farklı özelliklerini temsil etmek için kullanılır.
formül
\[ \bar{X} = \frac {\Sigma^N_İ (X_i)}{N} \] ## örnek
# Örnek veri kümesi oluşturalım
veri <- c(10, 20, 30,12, 40, 50)
# Aritmetik ortalama hesaplaması
ortalama <- mean(veri)
# Sonucu yazdıralım
print(ortalama)## [1] 27Standart sapma nedir?
Standart sapma, bir veri kümesindeki değerlerin ne kadar dağıldığını veya birbirinden ne kadar uzakta olduğunu ölçen bir istatistiksel ölçüdür. Bir başka deyişle, standart sapma, bir veri setindeki değerlerin ortalama değerden ne kadar sapma gösterdiğini ifade eder.
Bir veri kümesindeki her bir değerin, ortalama değerden ne kadar uzaklıkta olduğu hesaplanır. Bu uzaklıkların kareleri alınır, ardından bu karelerin toplamı alınır. Son olarak, bu toplam karelerin, toplam gözlem sayısına bölünmesi ve karekökünün alınmasıyla standart sapma bulunur.
Standart sapma, bir veri setindeki değerlerin yayılma derecesini ölçmek için yaygın olarak kullanılır. Daha büyük bir standart sapma, veri setindeki değerlerin ortalama değerden daha fazla dağıldığını gösterirken, daha küçük bir standart sapma, değerlerin ortalama değere daha yakın olduğunu gösterir.
formül
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
örnek
# Örnek veri setini oluşturalım
veri <- c(10, 20,67, 30, 40, 50)
# Standart sapmayı hesaplayalım
standart_sapma <- sd(veri)
# Sonucu yazdıralım
print(standart_sapma)## [1] 20.69219kovaryans
Kovaryans, iki rastgele değişken arasındaki ilişkinin ölçüsüdür. Bu ilişki, değişkenler arasındaki ilişkinin yönü (pozitif veya negatif) ve büyüklüğü (şiddet) hakkında bilgi sağlar.
Kovaryans pozitif bir değer alıyorsa, iki değişken birlikte artmaktadır; yani bir değişken arttığında diğer değişken de artar. Eğer kovaryans negatif bir değer alıyorsa, bir değişken artarken diğer değişken azalır. Kovaryans sıfıra yakınsa, iki değişken arasında belirgin bir ilişki olmadığı anlamına gelir.
formül
\[ Cov(X,Y)=\frac{\Sigma(X_i-\bar{X})(Y_i-\bar{Y}))}{n-1} \]
örnek
# Örnek veri setlerini oluşturalım
x <- c(1, 2, 3, 4, 5)
y <- c(6, 7, 8, 9, 10)
# Kovaryansı hesaplayalım
kovaryans <- cov(x, y)
# Sonucu yazdıralım
print(kovaryans)## [1] 2.5Train ve test
## # 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
train.csv - Eğitim verisi olarak kullanılacak yolcuların yaklaşık üçte ikisi (~8700) için kişisel kayıtlar.
PassengerId - Her bir yolcu için benzersiz bir kimlik. Her kimlik gggg_pp formunda olup, gggg yolcuyla birlikte seyahat eden grubu ve pp onların gruptaki sırasını belirtir. Bir grup içindeki insanlar genellikle aile üyeleridir, ancak her zaman değil.
HomePlanet - Yolcunun ayrıldığı gezegen, genellikle kalıcı ikametgah gezegenidir.
CryoSleep - Yolcunun seyahat süresince askıya alınmış animasyona girmeyi seçip seçmediğini belirtir. CryoSleep’teki yolcular kabinlerine kapatılır.
Cabin - Yolcunun kaldığı kabin numarası. Yan, P Port veya S Starboard olabilir.
Destination - Yolcunun iniş yapacağı gezegen.
Age - Yolcunun yaşı.
VIP - Yolcunun seyahat sırasında özel VIP hizmeti için ödeme yapıp yapmadığı.
RoomService, FoodCourt, ShoppingMall, Spa, VRDeck - Yolcunun Spaceship Titanic’in birçok lüks olanaklarında ne kadar fatura ödediği.
Name - Yolcunun adı ve soyadı.
Transported - Yolcunun başka bir boyuta taşınıp taşınmadığı. Bu, tahmin etmeye çalıştığınız sütun olan hedeftir.
test.csv - Test verisi olarak kullanılacak yolcuların kalan üçte biri (~4300) için kişisel kayıtlar. Göreviniz, bu setteki yolcular için Transported değerini tahmin etmektir.
sample_submission.csv - Doğru formatta bir gönderim dosyası.
PassengerId - Test setindeki her yolcu için kimlik.
Transported - Hedef. Her yolcu için, True veya False değerini tahmin edin.
Kabinin üç gruba ayrılması.
boşluk doldurma
## # 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 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 sutun1 sutun2 sutun3 ShoppingMall
## 376 1 1 1 1 1 1 1 1 0
## 13 1 1 1 1 1 1 1 0 1
## 14 1 1 1 0 0 0 0 1 4
## 12 1 1 0 1 1 1 1 1 1
## 3 1 1 0 1 1 1 1 0 2
## 12 1 0 1 1 1 1 1 1 1
## 2 1 0 1 1 1 1 1 0 2
## 13 0 1 1 1 1 1 1 1 1
## 1 0 1 1 0 0 0 0 1 5
## 10 1 1 1 1 1 1 1 1 1
## 1 1 1 1 0 0 0 0 1 5
## 11 1 1 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1 1 1
## 1 1 1 1 0 0 0 0 1 5
## 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 1 1 0 0 0 0 1 5
## 1 1 1 1 1 1 1 1 1 2
## 5 1 1 1 1 1 1 1 1 1
## 1 1 0 1 1 1 1 1 1 2
## 4 1 1 1 1 1 1 1 1 1
## 14 15 15 18 18 18 18 18 190## 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