EKONOMETRI ILK PROJE
MUHANNA EL FATTUH
2024-04-16
ILK PROJE
.R yükledik
.R Markdown başlangıç
.Web sayfası hazırlandık
.İnternete yükledik
FORMÜL
\[ F=q( E+v × B ) \]
Fransa ve Çin’in 2017-2021 arasındaki enflasyon grafiğini
library(WDI)library(ggplot2)
enflasyon_verileri <- data.frame(
ülke = c(rep("Erithre", 10), rep("Bangladeş", 10)),
yıl = rep(2010:2019, 2),
enflasyon = c(2.5, 3.0, 6.5, 3.2, 2.5, 7.0, 4.2, 2.5, 4.8, 5.0,
1.8, 1.7, 4.9, 2.9, 2.2, 7.3, 2.5, 5.6, 2.8, 3.0)
)
grafik <- ggplot(enflasyon_verileri, aes(x = yıl, y = enflasyon, color = ülke)) +
geom_line() +
geom_point() +
labs(x = "Yıl", y = "Enflasyon Oranı", color = "Ülke") +
ggtitle("Erithre ve Bangladeş Enflasyon Oranı (2017-2021)")
print(grafik)
Makine öğrenimi
Makine öğrenmesi, bilgisayar sistemlerinin veri analizi yapabilmesi ve verilerden öğrenme süreci ile gelecekteki kararları veya tahminleri geliştirebilmesi için kullanılan bir yapay zeka dalıdır. Bu, bilgisayarların belirli bir görevi belirli bir performans ölçütü üzerinden doğrulukla gerçekleştirebilmelerini sağlar.
Makine öğrenimi genellikle iki ana kategori altında incelenir:
Denetimli Öğrenme (Supervised Learning): Bu tür öğrenmede, algoritma, etiketlenmiş (labelled) veri kümesinden örnekler alır. Her örnek, girdi verileri ve ona karşılık gelen hedef çıktı (etiket) arasında ilişki kurar. Algoritma, bu ilişkiyi öğrenir ve daha sonra yeni, önceden görülmemiş girdi verileri için doğru çıktıları tahmin edebilir. Denetimli öğrenme algoritmaları, sınıflandırma (classification) ve regresyon (regression) gibi farklı türdeki problemleri çözmek için kullanılabilir.
Denetimsiz Öğrenme (Unsupervised Learning): Bu türde, veriler etiketlenmemiş ve hedef çıktılar belirtilmemiştir. Algoritma, veri kümesindeki yapıyı veya ilişkileri öğrenmeye çalışır. Denetimsiz öğrenme algoritmaları, kümeleme (clustering) gibi veri gruplama veya boyut indirgeme (dimensionality reduction) gibi veri özelliklerini azaltma gibi görevler için kullanılabilir.
Makine öğrenimi, birçok farklı alanda kullanılır, örneğin:
- Tıp: Hastalıkları teşhis etme veya tedavi seçeneklerini belirleme.
- Finans: Hisse senedi fiyatlarını tahmin etme veya kredi riski değerlendirmesi yapma.
- Pazarlama: Müşteri segmentasyonu veya ürün önerileri yapma.
- Otomasyon: Robotik veya endüstriyel süreçlerde verimlilik artırma.
Makine öğrenimi, veriye dayalı karar alma süreçlerini otomatikleştirmeye ve insanların büyük miktarda veri üzerindeki karmaşıklığı anlamasına ve işlemesine yardımcı olur.
Space titanic
kaggle proje
pacehip titanic( kaggle tanınım)
Hoş geldiniz 2912 yılına, burada veri bilimi becerilerinizin bir kozmik gizemi çözmek için gerekliliği var. Dört ışık yılı uzaklıktan bir ileti aldık ve işler iyi görünmüyor.
Uzay Gemisi Titanik, bir ay önce fırlatılan bir yıldızlar arası yolcu gemisiydi. Yaklaşık 13.000 yolcusuyla gemi, güneş sistemimizden üç yakın yıldız etrafında dönen yeni yaşanabilir gezegenlere göçmenleri taşıyarak ilk seferine çıktı.
İlk hedefi olan sıcak 55 Cancri E’ye doğru rotasını sürdürürken Alfa Centauri’yi dolaşırken, dikkatsiz Uzay Gemisi Titanik, bir toz bulutunun içinde gizlenmiş bir uzay-zaman anomalisiyle çarpıştı. Ne yazık ki, isim kardeşi olan gemi, bin yıl öncekine benzer bir kaderle karşılaştı. Gemisi bütün kaldı ancak neredeyse yolcuların yarısı alternatif bir boyuta taşındı!
Kurtarma ekiplerine yardım etmek ve kayıp yolcuları kurtarmak için, geminin hasar görmüş bilgisayar sisteminden kurtarılan kayıtları kullanarak hangi yolcuların anomali tarafından taşındığını tahmin etmeniz isteniyor.
Onları kurtarın ve tarihi değiştirin!
Kovaryans nedir?
Kovaryans, istatistik ve olasılık teorisinde, iki rastgele değişken arasındaki ilişkinin ölçüsünü ifade eden bir terimdir. Özellikle, kovaryans, bu değişkenlerin birlikte nasıl değiştiğini gösterir.
Matematiksel olarak, X ve Y gibi iki rastgele değişken arasındaki kovaryans, X ve Y’nin ortalamalarından sapmaların çarpımının beklenen değeridir.
Formülü
\[ {cov} (X,Y) = \frac {\Sigma (X_i-\bar{X})(Y_i-\bar{Y})}{n-1} \]
Örnek
# Örnek veri setini oluşturalım
ziyaretci <- c(100, 150, 200, 250, 300) # Ziyaretçi sayısı
satis <- c(500, 750, 1000, 1250, 1500) # Satış geliri
# Veri setini bir veri çerçevesine dönüştürelim
veri <- data.frame(ziyaretci, satis)
# Kovaryansı hesaplayalım
kovaryans <- cov(veri$ziyaretci, veri$satis)
# Sonucu yazdıralım
print(kovaryans)## [1] 31250Ortalama nedir
“Ortalama”, bir veri kümesinin genel bir temsilini belirtmek için kullanılan bir terimdir. Birçok farklı bağlamda kullanılabilir. Genellikle, bir sayı dizisinin toplamının eleman sayısına bölünmesiyle elde edilen aritmetik ortalama kastedilir. Örneğin, bir sınıftaki öğrencilerin notlarının aritmetik ortalaması, tüm notların toplanması ve bu toplamın öğrenci sayısına bölünmesiyle bulunur.
Ancak, “ortalama” terimi, bir veri kümesinin genel bir temsilini ifade eden diğer ölçümler için de kullanılabilir. Bunlar, medyan (veri kümesinin ortasındaki değer), mod (en sık tekrar eden değer) ve geometrik ortalama (sayıların çarpımının kökü) gibi ölçümleri içerebilir.
Bir konseptin ortalama değeri, genellikle o konseptin tipik veya temsil edici bir değerini sağlar. Örneğin, bir sınıfın ortalama notu, sınıftaki genel performansı temsil edebilir.
Formülü
\[ \bar{X} = \frac {\Sigma^n_i (X_i)}{n} \]
Örnek
# Öğrencilerin final notlarını içeren bir vektör oluşturalım
final_notlar <- c(85, 78, 92, 88, 95, 81, 90, 87, 84, 79)
# Aritmetik ortalama hesaplama
ortalama <- mean(final_notlar)
print(ortalama)## [1] 85.9Standart sapma nedir?
Standart sapma, bir veri kümesindeki değerlerin ortalama etrafında ne kadar yayıldığını ölçen bir istatistiksel ölçümdür. Bir başka deyişle, standart sapma, bir veri setinin dağılımının ne kadar değişken olduğunu ölçer.
Bir veri setindeki her bir değerin, ortalama değerden ne kadar uzaklıkta olduğunu ölçer. Bu uzaklıkların karelerinin toplamının, toplam örnek sayısının bir eksiğiyle bölünmesiyle hesaplanır. Ardından, elde edilen sonucun karekökü alınarak standart sapma bulunur.
Standart sapma, veri setindeki değerlerin ne kadar yayıldığını ölçtüğü için, daha yüksek bir standart sapma değeri, verilerin ortalama etrafında daha fazla değişkenlik gösterdiğini gösterir. Daha düşük bir standart sapma değeri ise, verilerin ortalama etrafında daha az değişkenlik gösterdiğini ifade eder.
Formülü
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
Örnek
# Örnek veri seti oluşturalım
veri <- c(12, 15, 18, 20, 22, 25, 28, 30)
# Standart sapmayı hesaplayalım
standart_sapma <- sd(veri)
print(standart_sapma)## [1] 6.250714Korelasyon nedir?
Korelasyon, istatistikte iki değişken arasındaki ilişkinin gücünü ve yönünü ölçen bir istatistiksel ölçümdür. Yani, korelasyon, bir değişkenin değerlerinin, diğer değişkenin değerlerine ne kadar yakın bir ilişki içinde olduğunu gösterir.
Korelasyon genellikle -1 ile +1 arasında bir değer alır.
- Pozitif korelasyon: +1’e yaklaştıkça, iki değişken arasındaki ilişki o kadar güçlenir. Yani bir değişkenin değeri arttıkça, diğer değişkenin değeri de artar.
- Negatif korelasyon: -1’e yaklaştıkça, iki değişken arasındaki ilişki o kadar güçlenir. Yani bir değişkenin değeri arttıkça, diğer değişkenin değeri azalır.
- Korelasyonun 0 olması: İki değişken arasında herhangi bir ilişki olmadığını gösterir.
Korelasyon katsayısı, Pearson korelasyon katsayısı (r) olarak da adlandırılır. Pearson korelasyon katsayısı, iki değişken arasındaki ilişkiyi ölçmek için en yaygın kullanılan yöntemdir. Ancak, bu katsayı, yalnızca lineer ilişkileri ölçer. Eğer ilişki lineer olmayan bir ilişki içeriyorsa, diğer korelasyon yöntemleri kullanılabilir, bunlar arasında Spearman’s rank correlation coefficient veya Kendall’s tau coefficient gibi yöntemler bulunur.
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
# İki örnek değişken oluşturalım
x <- c(10, 20, 30, 40, 50)
y <- c(15, 25, 35, 45, 55)
# Pearson korelasyon katsayısını hesaplayalım
korelasyon <- cor(x, y)
print(korelasyon)## [1] 1Train 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>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 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 üç farklı grup çıkarma
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)VIM::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
## 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 0.00000000md.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