EKONOMETRİ İLK PROJE.
ALHASAN ALHADDAD
2024-04-15
ILK PROJE
.R yükledik
.R Markdown başlangıç
.Web sayfası hazırlandık
.İnternete yükledik
FORMÜLÜ
\[ W=F×d×cos(θ) \]
Portekiz ve İtalya’nın 2014-2020 Arası Enflasyon Grafiği
library(WDI)library(ggplot2)# Gerekli kütüphaneleri yükleme
install.packages("ggplot2") # ggplot2 kütüphanesini yükleme## Warning: le package 'ggplot2' est en cours d'utilisation et ne sera pas
## installélibrary(ggplot2) # ggplot2 kütüphanesini çağırma
# Veri setini oluşturma (örnek veri)
yillar <- c(2014, 2015, 2016, 2017, 2018, 2019, 2020)
portekiz_inflasyon <- c(0.3, 0.5, 0.7, 0.6, 0.8, 0.9, 1.1)
italya_inflasyon <- c(0.4, 0.6, 0.8, 0.9, 1.0, 1.2, 1.5)
# Veri setini bir veri çerçevesine dönüştürme
veri <- data.frame(Yıl = yillar,
Portekiz_Inflasyon = portekiz_inflasyon,
İtalya_Inflasyon = italya_inflasyon)
# Grafik çizimi
grafik <- ggplot(data = veri, aes(x = Yıl)) +
geom_line(aes(y = Portekiz_Inflasyon, color = "Portekiz"), size = 1.5) +
geom_line(aes(y = İtalya_Inflasyon, color = "İtalya"), size = 1.5) +
scale_color_manual(values = c("Portekiz" = "blue", "İtalya" = "red")) +
labs(title = "Portekiz ve İtalya'nın 2014-2020 Arası Enflasyon Grafiği",
x = "Yıl",
y = "Enflasyon Oranı") +
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.# Grafiği gösterme
print(grafik)
Makine ogrenmesi aciklama
Makine öğrenmesi, bir bilgisayarın belirli bir görevi belirli bir performans ölçütüyle gerçekleştirmesi için kullanılan bir yapay zeka alt dalıdır. Bu, bilgisayarların veri analizi yaparak desenleri tanıması, öğrenmesi ve sonuçlar üretmesi anlamına gelir.
Makine öğrenimi, genellikle iki ana kategori altında incelenir: denetimli ve denetimsiz öğrenme.
- Denetimli Öğrenme: Denetimli öğrenme, makineye etiketlenmiş verilerle eğitim vererek öğrenmesini sağlar. Bu veri seti, girdilerin yanı sıra beklenen çıktıları da içerir. Örneğin, bir resim tanıma uygulamasında, resimler girdi verileri olurken, her resmin hangi nesneyi içerdiği etiketler olarak verilir. Denetimli öğrenme, regresyon ve sınıflandırma gibi alt kategorilere ayrılabilir.
- Regresyon: Bir çıktının sürekli bir değer olduğu durumlar için kullanılır. Örneğin, bir evin fiyatını tahmin etmek için kullanılabilir.
- Sınıflandırma: Bir çıktının belirli bir kategoriye ait olduğu durumlar için kullanılır. Örneğin, bir e-postanın spam olup olmadığını belirlemek için kullanılabilir.
- Denetimsiz Öğrenme: Denetimsiz öğrenme, etiketlenmemiş verilerle çalışır. Bu veri seti, girdilerle birlikte beklenen çıktılar olmadan sunulur. Makine, verideki desenleri ve ilişkileri tespit etmek için algoritmalar kullanarak veriyi analiz eder. Denetimsiz öğrenme, kümeleme ve boyut azaltma gibi tekniklere dayanır.
- Kümeleme: Veri noktalarını benzer özelliklere sahip gruplara bölmek için kullanılır. Bu, pazar segmentasyonu veya sosyal ağ analizi gibi birçok alanda kullanılabilir.
- Boyut Azaltma: Veri setinin boyutunu azaltırken önemli bilgileri korumak için kullanılır. Bu, veri görselleştirme ve anlamlı özellik çıkarımı gibi işlemlerde yararlıdır.
Makine öğrenimi, veri bilimi, yapay zeka, istatistik ve bilgisayar bilimlerinin kesişiminde bulunur. Güçlü algoritmaların yanı sıra büyük veri setleri ve gelişmiş hesaplama kaynaklarıyla birlikte kullanıldığında, makine öğrenimi birçok endüstride büyük yenilikler ve çözümler sağlayabilir.
Space titanic
Kaggle projet
pacehip titanic( kaggle tanım)
Hoş geldiniz 2912 yılına, veri bilimi becerilerinizin bir kozmik gizemi çözmek için gerekliliğinin olduğu yere. Dört ışık yılı uzaklıktan bir ileti aldık ve durum pek iyi görünmüyor.
Uzay Gemisi Titanic, bir ay önce fırlatılan bir yıldızlararası yolcu gemisiydi. Yaklaşık 13.000 yolcuyla gemi, güneş sistemimizden üç yakın yıldızın etrafında dolanan yeni yaşanabilir dış gezegenlere göçmenleri taşımak üzere ilk yolculuğuna çıktı.
İlk hedefi olan yakıcı 55 Cancri E’ye doğru rotasını belirlerken Alpha Centauri etrafından dönerken, dikkatsiz Uzay Gemisi Titanic bir toz bulutu içinde gizlenmiş bir uzay-zaman anomali ile çarpıştı. Ne yazık ki, isim benzerliği taşıyan bin yıl önceki kaderi gibi bir sonla karşılaştı. Gemisi bütün kaldı, ancak neredeyse yolcuların yarısı alternatif bir boyuta taşındı!
Kurtarma ekiplerine yardımcı olmak ve kaybolan yolcuları kurtarmak için, uzay gemisinin hasarlı bilgisayar sisteminden kurtarılan kayıtları kullanarak anomali tarafından taşınan yolcuları tahmin etme konusunda zorlanacaksınız.
Onları kurtarmaya yardım edin ve tarihi değiştirin!
Standart sapma nedir?
Standart sapma, bir veri setinin verilerinin ne kadar yayıldığını veya ne kadar değişkenlik gösterdiğini ölçen bir istatistiksel ölçüdür. Bir başka deyişle, standart sapma, bir veri setindeki verilerin ortalamadan ne kadar uzaklıkta olduğunu ölçer.
Standart sapma, veri setindeki her bir veri noktasının ortalamadan uzaklığının karelerinin toplamının, veri sayısının bir eksiğine bölünüp, bu değerin karekökü alınarak hesaplanır. Bu, veri noktalarının ortalama etrafında ne kadar dağıldığını ölçmek için kullanılır.
Standart sapma, veri setinin dağılımının genişliğini ölçer. Daha yüksek bir standart sapma, veri noktalarının ortalama etrafında daha fazla yayıldığını gösterirken, daha düşük bir standart sapma, veri noktalarının ortalama etrafında daha yoğun bir şekilde toplandığını gösterir. Standart sapma, istatistiksel analizde, özellikle de değişkenlik ve belirsizlik ölçümünde yaygın olarak kullanılır.
Formülü
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
Örnek:
# Örnek bir veri seti oluşturalım
veri <- c(10, 15, 20, 25, 30)
# Standart sapmayı hesaplayalım
standart_sapma <- sd(veri)
# Sonucu ekrana yazdıralım
print(standart_sapma)## [1] 7.905694Korelasyon nedir?
Korelasyon, iki değişken arasındaki ilişkinin gücünü ve yönünü ölçen istatistiksel bir ölçüdür. Bir başka deyişle, korelasyon, bir değişkenin değerlerinin diğer değişkenin değerleriyle nasıl ilişkili olduğunu gösterir.
Korelasyon katsayısı, genellikle -1 ile +1 arasında bir değer alır. Bu değerlerin yorumu şu şekildedir:
+1: Tam pozitif korelasyon: İki değişken arasında mükemmel bir pozitif ilişki vardır. Bir değişkenin değeri arttıkça, diğer değişkenin değeri de artar.
0: Korelasyon yok: İki değişken arasında bir ilişki yoktur.
−1: Tam negatif korelasyon: İki değişken arasında mükemmel bir negatif ilişki vardır. Bir değişkenin değeri arttıkça, diğer değişkenin değeri azalır.
Korelasyon, iki değişken arasındaki ilişkiyi anlamak ve ilişkinin gücünü ölçmek için yaygın olarak kullanılır. Özellikle, veri analizi, regresyon analizi ve makine öğrenimi gibi alanlarda korelasyon katsayıları kullanılarak değişkenler arasındaki ilişkiler incelenir.
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 setini oluşturalım
x <- c(10, 20, 30, 40, 50)
y <- c(5, 15, 25, 35, 45)
# Pearson korelasyon katsayısını hesaplayalım
korelasyon <- cor(x, y)
# Sonucu ekrana yazdıralım
print(korelasyon)## [1] 1Ortalama nedir?
Ortalama, bir veri setindeki değerlerin toplamının, veri setindeki gözlem sayısına bölünmesiyle elde edilen bir ölçüdür. Başka bir deyişle, bir veri setindeki tüm değerlerin eşit ağırlıklı olarak toplanması ve ardından toplamın veri setindeki gözlem sayısına bölünmesiyle hesaplanır. Ortalama, veri setinin merkezsel eğilimini ölçer ve genellikle veri setinin tipik veya temsil edici bir değeri olarak kullanılır.
Ortalama, veri setinin dağılımını ve merkezi konumunu anlamak için yaygın olarak kullanılan bir istatistiksel ölçüdür. Özellikle, veri analizi, istatistiksel çıkarım ve tahminleme gibi istatistiksel işlemlerde sıkça kullanılır.
Formülü
\[ \bar{X} = \frac {\Sigma^n_i (X_i)}{n} \] ## Örnek
# Örnek bir veri seti oluşturalım
veri <- c(10, 20, 30, 40, 50)
# Veri setinin ortalama değerini hesaplayalım
ortalama <- mean(veri)
# Sonucu ekrana yazdıralım
print(ortalama)## [1] 30Kovaryans nedir?
Kovaryans, iki değişken arasındaki ilişkinin yönünü ve gücünü ölçen bir istatistiksel ölçüdür. Kovaryans, bu iki değişken arasındaki ilişkinin doğasını anlamak için kullanılır.
Kovaryans, iki değişken arasındaki ilişkinin ne kadar değişkenlik gösterdiğini ölçer. Pozitif bir kovaryans değeri, bir değişkenin değerinin artarken diğer değişkenin değerinin de arttığını gösterir. Negatif bir kovaryans değeri ise, bir değişkenin değerinin artarken diğer değişkenin değerinin azaldığını gösterir. Kovaryans değeri sıfıra yaklaşıyorsa, iki değişken arasında bir ilişki olmadığı veya ilişkinin çok zayıf olduğu anlamına gelir.
Kovaryans, iki değişken arasındaki ilişkinin yönünü ve gücünü anlamak için kullanılır. Ancak, kovaryansın bir dezavantajı, farklı ölçeklerdeki değişkenler arasında karşılaştırma yapmanın zor olmasıdır. Bu nedenle, kovaryans genellikle korelasyon katsayısını hesaplamak için temel bir adımdır.
Formülü
\[ {cov} (X,Y) = \frac {\Sigma (X_i-\bar{X})(Y_i-\bar{Y})}{n-1} \]
Örnek
# İki örnek değişken oluşturalım
x <- c(10, 20, 30, 40, 50)
y <- c(5, 15, 25, 35, 45)
# Kovaryansı hesaplayalım
kovaryans <- cov(x, y)
# Sonucu ekrana yazdıralım
print(kovaryans)## [1] 250Train ve test
library(readr)
train <- read_csv("train.csv")library(readr)
test=read_csv("test.csv")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>train## # 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>summary(train)## 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
##
##
##
## Destination Age VIP RoomService
## Length:8693 Min. : 0.00 Mode :logical Min. : 0.0
## Class :character 1st Qu.:19.00 FALSE:8291 1st Qu.: 0.0
## Mode :character Median :27.00 TRUE :199 Median : 0.0
## Mean :28.83 NA's :203 Mean : 224.7
## 3rd Qu.:38.00 3rd Qu.: 47.0
## Max. :79.00 Max. :14327.0
## NA's :179 NA's :181
## FoodCourt ShoppingMall Spa VRDeck
## 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 : 458.1 Mean : 173.7 Mean : 311.1 Mean : 304.9
## 3rd Qu.: 76.0 3rd Qu.: 27.0 3rd Qu.: 59.0 3rd Qu.: 46.0
## Max. :29813.0 Max. :23492.0 Max. :22408.0 Max. :24133.0
## NA's :183 NA's :208 NA's :183 NA's :188
## Name Transported
## Length:8693 Mode :logical
## Class :character FALSE:4315
## Mode :character TRUE :4378
##
##
##
## Veri seti
train.csv - Personal records for about two-thirds (~8700) of the passengers, to be used as training data.
PassengerId - A unique Id for each passenger. Each Id takes the form gggg_pp where gggg indicates a group the passenger is travelling with and pp is their number within the group. People in a group are often family members, but not always.
HomePlanet - The planet the passenger departed from, typically their planet of permanent residence.
CryoSleep - Indicates whether the passenger elected to be put into suspended animation for the duration of the voyage. Passengers in cryosleep are confined to their cabins.
Cabin - The cabin number where the passenger is staying. Takes the form deck/num/side, where side can be either P for Port or S for Starboard.
Destination - The planet the passenger will be debarking to.
Age - The age of the passenger.
VIP - Whether the passenger has paid for special VIP service during the voyage.
RoomService, FoodCourt, ShoppingMall, Spa, VRDeck - Amount the passenger has billed at each of the Spaceship Titanic’s many luxury amenities.
Name - The first and last names of the passenger.
Transported - Whether the passenger was transported to another dimension. This is the target, the column you are trying to predict.
test.csv - Personal records for the remaining one-third (~4300) of the passengers, to be used as test data. Your task is to predict the value of Transported for the passengers in this set.
sample_submission.csv - A submission file in the correct format.
PassengerId - Id for each passenger in the test set.
Transported - The target. For each passenger, predict either True or False.
Cabin verisini üç gruba ayırın
library(tidyverse)library(explore)train <- separate(train, Cabin, into = c("sutun1", "sutun2", "sutun3"), sep = "/", remove=FALSE)summary(train)## 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
##
##
##
## Train’de Boşlukları doldurulması
train=train %>% mutate_if(is.character,as.factor)train$HomePlanet <- as.factor(train$HomePlanet)train %>% describe_all()## # 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 1ggplot(train, aes(x=RoomService))+
geom_histogram()
library(mice)md.pattern(train[1:600,])
## PassengerId Transported VIP FoodCourt Destination Spa Name CryoSleep VRDeck
## 453 1 1 1 1 1 1 1 1 1
## 14 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
## 8 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
## 10 1 1 1 1 1 0 1 1 1
## 7 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 1 0
## 6 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 0 1 1 1 1
## 6 1 1 0 1 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1 1
## 0 0 7 9 10 10 11 13 15
## RoomService Cabin sutun1 sutun2 sutun3 Age HomePlanet ShoppingMall
## 453 1 1 1 1 1 1 1 1 0
## 14 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
## 8 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
## 10 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
## 6 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
## 6 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 20 220summary(train)## 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 : 200library(ggplot2)train <- train[complete.cases(train), ]summary(train)## 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