eknometri proje
BADRA ARAB ABDULLAHI
2024-04-12
İlk Proje
R yükleme
markdown başlangıç
Web sayfasını hazırlama
Internete yükleme
FORMUL
\[ \pi= \frac{P_t-P_{t-1}}{P_{t-1}} \]
library(WDI)library(ggplot2)# Gerekli kütüphaneleri yükle
install.packages("ggplot2")## Warning: package 'ggplot2' is in use and will not be installedlibrary(ggplot2)
# Kenya ve Somali'nin yıllık inflasyon verilerini oluştur
kenya_inflasyon <- c(5.3, 6.1, 7.0, 8.5, 6.8) # Örnek veriler, gerçek verilerle değiştirilebilir
somali_inflasyon <- c(7.2, 8.0, 9.3, 10.2, 9.8) # Örnek veriler, gerçek verilerle değiştirilebilir
yıllar <- c(2020, 2021, 2022, 2023, 2024) # Yılların listesi
# Verileri bir veri çerçevesine dönüştür
veri <- data.frame(Yıl = yıllar, Kenya = kenya_inflasyon, Somali = somali_inflasyon)
# Grafik oluştur
grafik <- ggplot(data = veri, aes(x = Yıl)) +
geom_line(aes(y = Kenya, color = "Kenya")) +
geom_line(aes(y = Somali, color = "Somali")) +
labs(title = "Kenya ve Somali Yıllık İnflasyon Oranı",
x = "Yıl",
y = "İnflasyon Oranı (%)") +
scale_color_manual(values = c("Kenya" = "blue", "Somali" = "red")) + # Renkleri belirt
theme_minimal() # Tema seçimi
# Grafik çiz
print(grafik)
Makina öğrenmesi açıklayın?
Makina öğrenmesi açıklayın? ChatGPT Makina öğrenmesi, bilgisayar sistemlerinin verilerden öğrenme yeteneği kazanarak belirli bir görevi gerçekleştirmek için algoritmalar geliştirmesini sağlayan bir yapay zeka dalıdır. Makina öğrenmesi, belirli bir görev için programlanmaktan ziyade verilere dayalı olarak öğrenme kapasitesine sahiptir. Bu, veri analizi, desen tanıma, tahmin, sınıflandırma ve kümelenme gibi birçok farklı görevde kullanılabilir.
Makina öğrenmesi genellikle üç ana kategori altında incelenir:
Denetimli Öğrenme (Supervised Learning): Bu yaklaşım, belirli bir giriş verisiyle bir çıkışı ilişkilendirme görevini ele alır. Bir öğrenme algoritması, eğitim veri setindeki giriş-çıkış ilişkisini öğrenir ve daha sonra yeni giriş verileriyle bu ilişkiyi kullanarak tahminler yapabilir. Örneğin, ev fiyatlarını tahmin etmek veya e-postaları spam ve spam olmayan olarak sınıflandırmak gibi görevler bu kategoriye girer.
Denetimsiz Öğrenme (Unsupervised Learning): Bu yaklaşım, veri setinde yapısal bir çıkarım yapmadan önceki herhangi bir etiketleme veya yönlendirme olmadan veri analizi gerçekleştirir. Burada algoritma, veri setindeki gizli yapıları veya desenleri keşfetmeye çalışır. Örneğin, benzer özelliklere sahip veri noktalarını gruplamak veya veri setindeki ana temaları belirlemek gibi görevler bu kategoriye girer.
Pekiştirme Öğrenme (Reinforcement Learning): Bu yaklaşım, bir ajanın belirli bir çevreye karşı nasıl davranacağını öğrenmeye çalışır. Ajan, çevresiyle etkileşime girer, bir eylem gerçekleştirir, çevre tarafından bir geri bildirim alır ve bu geri bildirimi kullanarak gelecekteki eylemlerini ayarlar. Ajan, belirli bir hedefi veya ödülü maksimize etmek için en iyi eylem stratejisini öğrenmeye çalışır. Örneğin, bir robotun bir engeli aşması veya bir oyun stratejisi geliştirmesi gibi görevler bu kategoriye girer.
Makina öğrenmesi, veri analitiği, yapay zeka ve bilgi işlem alanlarında geniş bir uygulama alanına sahiptir ve günümüzde birçok endüstride kullanılmaktadır, örneğin sağlık, finans, otomotiv, perakende ve daha birçok alanda
kaggle projesi
##spaceship titanic (kaggel tanıtımı)
Spacehip 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.
Onları kurtarmaya yardım edin ve tarihi değiştirin!”
Ortalama, standart sapma, kovaryans ve korelasyon nedir?
ortalama nedir
“Ortalama”, bir veri kümesindeki sayıların genel bir temsilini ifade eden bir terimdir. Bir veri kümesindeki sayıların toplamının sayı adedine bölünmesiyle bulunur.
Ortalama, veri setinin genel eğilimini anlamak için kullanışlı bir ölçüdür. Örneğin, bir sınıftaki öğrencilerin notlarının ortalama alınması, sınıfın genel performansını anlamak için kullanılabilir.
ortalama formülü
\[\bar{X} = \frac {\Sigma^n_İ (X_i)}{n} \]
Standart sapma nedir
Standart sapma, bir veri kümesindeki değerlerin ortalamadan ne kadar uzaklaştığını ölçen bir istatistiksel ölçüdür. Yani, bir veri setinin ne kadar homojen veya heterojen olduğunu belirlemeye yardımcı olur. Bir veri setindeki her bir değerin ortalamadan ne kadar farklı olduğunu bulmak için standart sapma hesaplanır.
Standart sapma formülü
\[\sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
kovaryans nedir?
Kovaryans, iki değişken arasındaki ilişkinin değişkenliklerini ölçen bir istatistiksel terimdir. Özellikle, bu iki değişkenin birlikte nasıl değiştiğini ölçmek için kullanılır. Kovaryans, bu değişkenlerin birlikte artıp azaldığı durumları ve bunların ne kadar birbirine bağlı olduğunu belirlemeye yardımcı olur.
kovaryans formülü
\[cov(X,Y)=\frac {\Sigma^n_i (X_i-X)(Y_i-Y)}{n-1}\] ### korelasyon nedir ?
korelasyon bir istatistik terimi olup, iki değişken arasındaki ilişkiyi ölçen bir ölçüdür. Bu ilişki, değişkenlerin birlikte nasıl değiştiğini ve birbirlerine ne kadar bağımlı olduklarını belirler. Daha basit bir tanımla, korelasyon, iki değişken arasındaki ilişkinin doğasını ve yönünü belirler. İki değişken arasında pozitif bir korelasyon varsa, bir değişken arttığında diğerinin de arttığı görülür. Negatif bir korelasyon ise bir değişken arttığında diğerinin azaldığını gösterir
korelasyon formülü
\[ R = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})}}\]
Train ve test nedir?
“Train” ve “test”, makine öğrenimi ve veri bilimi gibi alanlarda kullanılan terimlerdir.
Eğitim (Train):
Eğitim aşamasında, bir makine öğrenimi modeli belirli bir veri kümesi üzerinde eğitilir. Bu veri kümesi genellikle etiketlenmiş verilerden oluşur, yani girdi özelliklerinin yanı sıra her bir veri örneği için doğru çıktılar (etiketler) da bulunur. Makine öğrenimi modeli, eğitim veri kümesindeki desenleri öğrenir ve bu desenleri kullanarak belirli bir görevi (örneğin, sınıflandırma veya regresyon) gerçekleştirmek için optimize edilir. Eğitim aşamasında, model genellikle belirli bir algoritma ve hiperparametreler kullanılarak eğitilir. Amacı, eğitim veri kümesindeki hata veya kaybı minimize etmektir. Test:
Test aşamasında, eğitilmiş model başka bir veri kümesi üzerinde değerlendirilir. Bu veri kümesi, genellikle eğitim veri kümesinden farklıdır ve makine öğrenimi modelinin gerçek dünya verileri üzerinde ne kadar iyi performans gösterdiğini ölçmek için kullanılır. Test veri kümesi genellikle aynı formatta olup aynı özellikleri içerir, ancak model tarafından daha önce görülmemiş verilerden oluşur. Test aşamasında, modelin tahminlerinin gerçek değerlerle karşılaştırılması ve modelin performansının ölçülmesi için çeşitli değerlendirme metrikleri kullanılır. Bu metrikler, modelin ne kadar iyi çalıştığını belirlemek için kullanılabilir ve aşırı uydurma (overfitting) gibi olası problemleri tanımlamak için yardımcı olabilir. Bu iki aşama, makine öğrenimi modelinin eğitilmesi, doğrulanması ve nihayetinde gerçek dünya verileri üzerinde uygulanması için kritik öneme sahiptir.
library(readr)test <- read_csv("test.csv")## 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.train <- read_csv("train.csv")## 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.library(rmarkdown)paged_table(test)paged_table(train)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
library(tidyverse)## ── 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 errorslibrary(explore)train %>% describe_all()## # 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)tekrarlanan_grouplar <- veri %>%
group_by(group_id) %>%
filter(n() > 1) %>%
pull(group_id)veri <- veri %>%
mutate(beraber_yolculuk_yapanlar= ifelse(group_id %in% tekrarlanan_grouplar, TRUE, FALSE))veri2 <- data.frame(cabin = c("P/3/T", "Q/5/U", "R/7/V"))veri2 <- separate(veri2, cabin, into = c("sutun1", "sutun2",
"sutun3"), sep = "/", remove = FALSE )veri$Cabin <- as.factor(veri$Cabin)summary(veri)## 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
##
##
##
## veri2 <- veri %>% na.omit()veri$Cabin <- as.factor(veri$Cabin)veri$group_id <- as.factor(veri$group_id)veri$PassengerId <- as.factor(veri$PassengerId)veri$sequence_number <- as.factor(veri$sequence_number)summary(veri)## PassengerId group_id sequence_number HomePlanet
## 0001_01: 1 0984 : 8 01 :6217 Length:8693
## 0002_01: 1 4005 : 8 02 :1412 Class :character
## 0003_01: 1 4256 : 8 03 : 571 Mode :character
## 0003_02: 1 4498 : 8 04 : 231
## 0004_01: 1 5133 : 8 05 : 128
## 0005_01: 1 5756 : 8 06 : 75
## (Other):8687 (Other):8645 (Other): 59
## 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
##
##
##
## character nedir?
“Bir karakter,” birçok farklı bağlamlarda kullanılan geniş bir terimdir. En temel anlamıyla, bir karakter, bir hikaye, film, kitap, oyun veya herhangi bir kurgusal eserde yer alan kişi, yaratık veya varlıktır. Karakterler, hikayenin ilerleyişini etkileyen, olayları yaşayan veya onlara tepki veren, genellikle belirli özelliklere, motivasyonlara ve davranış kalıplarına sahip olan hayalî veya gerçek kişilerdir. Karakterler genellikle karmaşık bir arka plana, duygusal derinliğe ve gelişime sahiptir ve okuyucuların/izleyicilerin hikayeye bağlanmasını sağlarlar.
factor nedir?
“Factor” (faktör), bir durumu etkileyen veya belirleyen unsurların bir kısmını ifade eden bir terimdir. İstatistik, matematik, psikoloji, ekonomi ve diğer birçok alanda kullanılır. Örneğin:
Matematik ve İstatistikte: Bir sayının bölenlerine faktör denir. Örneğin, 12’nin faktörleri 1, 2, 3, 4, 6 ve 12’dir.
Psikolojide: Bir davranışı veya durumu etkileyen içsel veya dışsal faktörler incelenir. Örneğin, bir kişinin özsaygısı üzerindeki sosyal etkileşimler faktörlerden biri olabilir.
Ekonomide: Faktörler üretim sürecini, talebi ve fiyatları etkileyen unsurları ifade eder. Örneğin, işgücü, sermaye, teknoloji gibi faktörler, üretim sürecinde önemli rol oynar.
Bilim ve Mühendislikte: Bir deneyin sonuçlarını etkileyen değişkenler faktörler olarak kabul edilir. Örneğin, bir malzemenin dayanıklılığını belirleyen faktörler sıcaklık, nem, malzemenin bileşimi vb. olabilir.
“Factor” terimi, bir durumun veya sonucun karmaşık bir şekilde etkilenen birçok unsur tarafından belirlendiği durumları ifade eder. Bu faktörler, sonucu şekillendiren ve değiştiren çeşitli değişkenler olabilir.
hist(train$Age)
hist(train$RoomService)
hist(train$FoodCourt)
hist(train$ShoppingMall)
hist(train$Spa)
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
##
##
##
## library(VIM)## Loading required package: colorspace## Loading required package: grid## VIM is ready to use.## Suggestions and bug-reports can be submitted at: https://github.com/statistikat/VIM/issues##
## Attaching package: 'VIM'## The following object is masked from 'package:datasets':
##
## sleepVIM::aggr(x= train, sortVars=T)
##
## 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 0.00000000VIM::aggr(x= test, sortVars=T)
##
## Variables sorted by number of missings:
## Variable Count
## FoodCourt 0.02478373
## Spa 0.02361468
## Cabin 0.02338087
## ShoppingMall 0.02291326
## Name 0.02197802
## CryoSleep 0.02174421
## VIP 0.02174421
## Destination 0.02151040
## Age 0.02127660
## HomePlanet 0.02034136
## RoomService 0.01917232
## VRDeck 0.01870470
## PassengerId 0.00000000