EKONOMETRI ILK PROJE
NELL DERYL JEAN OBAME MÄ°NTZA
2024-04-04
ILK PROJE
• Ryükleme
• Rmarkdown başlangıç
• Web sayfasını hazırlama
• Internete yükleme
FORMĂśL
\[ a b + ac - ad = a (b + c - d) \]
FRANSA VE BELÇİKA´DA ENFLASYON GRAFİK
library(WDI)## Warning: le package 'WDI' a été compilé avec la version R 4.3.3# ggplot2 paketini yükle
# install.packages("ggplot2")
library(ggplot2)## Warning: le package 'ggplot2' a été compilé avec la version R 4.3.3# Fransa ve Belçika için iltihap indeksi verilerini oluştur
years <- seq(2018, 2022, by = 1)
france_inflammation <- c(70, 72, 75, 78, 80)
belgium_inflammation <- c(68, 70, 73, 76, 78)
# Veri setini oluĹźtur
data <- data.frame(Year = years, France = france_inflammation, Belgium = belgium_inflammation)
# Grafiği çiz
ggplot(data, aes(x = Year)) +
geom_line(aes(y = France, color = "Fransa")) +
geom_line(aes(y = Belgium, color = "Belçika")) +
labs(title = "Fransa ve Belçika İltihap İndeksi (2018-2022)",
x = "Yıl",
y = "Ä°ltihap Ä°ndeksi",
color = "Ăślke") +
scale_color_manual(values = c("Fransa" = "blue", "Belçika" = "red")) +
theme_minimal()
MAKİNE ÖĞRENMESİ AÇİKLAMA
Makine öğrenmesi, bilgisayar sistemlerinin deneyimlerden öğrenerek görevleri gerçekleştirebilmesini sağlayan yapay zeka alt alanıdır. Makine öğrenmesi algoritmaları, veri analizi ve matematiksel modelleme tekniklerini kullanarak bilgisayarların belirli bir görevi öğrenmesini ve bu görevi gerçekleştirmesini sağlar.
Makine öğrenmesi genellikle iki ana kategoride incelenir:
Denetimli Öğrenme (Supervised Learning): Bu yöntemde, bir modelin öğrenme süreci, etiketlenmiş veri kümesi üzerinde gerçekleşir. Bu veri kümesi, giriş verileriyle birlikte doğru çıkışları içerir. Model, bu veri kümesini kullanarak giriş verilerinden çıkarım yapmayı öğrenir. Örneğin, bir evin özelliklerini (alan, oda sayısı, konum vb.) alıp, fiyatını tahmin etmek için kullanılabilir.
Denetimsiz Öğrenme (Unsupervised Learning): Bu yöntemde, etiketlenmemiş veri kümesi üzerinde çalışılır. Yani, model giriş verilerinden çıkarımlar yaparken, doğru çıkışlar verilmez. Bu tür algoritmalar genellikle veri gruplama, boyut indirgeme ve desen keşfi gibi görevlerde kullanılır. Örneğin, bir perakende mağazasının müşteri alışkanlıklarını analiz etmek ve benzer özelliklere sahip müşterileri gruplamak için kullanılabilir.
Makine öğrenimi, çeşitli alanlarda kullanılmaktadır, örneğin:
Tıbbi teşhisler Finansal tahminler Otomatik araçlar ve sürüş yardım sistemleri Hızlı dil çevirisi Müşteri segmentasyonu ve pazarlama stratejileri Makine öğrenmesi algoritmaları genellikle Python, R, MATLAB gibi programlama dilleri ve çeşitli kütüphaneler kullanılarak uygulanır. Bu algoritmaların doğru çalışabilmesi için genellikle büyük miktarda veriye ve iyi bir veri ön işleme sürecine ihtiyaç vardır.
SPACE TITANÄ°C
KAGGLE PROJE
Spaceship Titanic(kaggle tanımı)
Kozmik bir gizemi çözmek için veri bilimi becerilerinize ihtiyaç duyulan 2912’ye hoş geldiniz. Dört ışıkyılı uzaklıktan bir sinyal aldık ve işler pek iyi görünmüyor.
Uzay Gemisi Titanik, bir ay önce fırlatılan yıldızlararası bir gemiydi. Gemide yaklaşık 13.000 yolcu bulunan gemi, güneş sistemimizden göçmenleri yakın yıldızların yörüngesinde bulunan üç yeni yaşanabilir dış gezegene taşıyarak ilk yolculuğuna çıktı.
Dikkatsiz uzay gemisi Titanic, ilk hedefi olan kavurucu 55 Cancri E’ye giderken Alpha Centauri’nin etrafında dönerken, bir toz bulutu içinde gizlenmiş bir uzay-zaman anomalisiyle çarpıştı. Ne yazık ki 1000 yıl önceki adaşı ile aynı kaderi yaşadı. Gemi sağlam kalmasına rağmen yolcuların neredeyse yarısı başka bir boyuta taşındı!
Kurtarma ekiplerine yardımcı olmak ve kayıp yolcuları kurtarmak için, uzay gemisinin hasarlı bilgisayar sisteminden elde edilen kayıtları kullanarak anormalliğin hangi yolcuları taşıdığını tahmin etmeniz gerekir.
ORTALAMA NEDIR?
Ortalama, bir veri kümesindeki değerlerin toplamının veri noktalarının sayısına bölünmesiyle elde edilen bir ölçüdür. Genellikle bir dağılımın merkezini temsil eder.
Ortalama hesaplanırken şu adımlar izlenir:
Veri kümesindeki tüm değerler toplanır. Toplam değer, veri noktalarının sayısına bölünür.
FORMĂśL
\[ \bar{X} =\frac {\Sigma^n_Ä° (X_i)}{n} \]
Örneğin, bir vektördeki değerlerin aritmetik ortalamasını hesaplayalım
veri <- c(10, 20, 30, 40, 50)
Aritmetik ortalama hesapla
ortalama <- mean(veri) print(ortalama)
standart sapma nedir?
Standart sapma, bir veri setinin ortalamadan ne kadar uzaklıkta olduğunu ölçen bir istatistiksel kavramdır. Daha düşük bir standart sapma, veri setinin ortalamaya yakın olduğunu gösterirken, daha yüksek bir standart sapma, veri setinin ortalamadan daha fazla uzaklıkta olduğunu gösterir.
FORMĂśL
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
R Studio’da bir örnek
Öncelikle, rastgele bir veri seti oluşturalım
veri <- c(12, 15, 18, 20, 22)
Oluşturduğumuz veri setinin standart sapmasını hesaplayalım
standart_sapma <- sd(veri)
Standart sapmayı ekrana yazdıralım
print(standart_sapma)
KORELĹžASYON NEDÄ°R?
Korelasyon, iki değişken arasındaki ilişkinin gücünü ve yönünü ölçen istatistiksel bir kavramdır. Bir korelasyon katsayısı, -1 ile +1 arasında değer alır.
Korelasyon katsayısı 1’e yakınsa, iki değişken arasında pozitif bir ilişki vardır. Yani, bir değişken artarken diğeri de artar. Korelasyon katsayısı -1’e yakınsa, iki değişken arasında negatif bir ilişki vardır. Yani, bir değişken artarken diğeri azalır. Korelasyon katsayısı 0’a yakınsa, iki değişken arasında bir ilişki yoktur.
FORMĂśL
\[ R = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})}} \]
Örnek veri seti oluşturalım
deÄźiĹźken1 <- c(1, 2, 3, 4, 5) deÄźiĹźken2 <- c(2, 4, 6, 8, 10)
Korelasyon katsayısını hesapla
korelasyon <- cor(deÄźiĹźken1, deÄźiĹźken2) print(korelasyon)
KOVARYANS NEDÄ°R?
Kovaryans, iki değişkenin birlikte nasıl değiştiğini gösterir. Pozitif bir kovaryans, iki değişkenin birlikte arttığını, negatif bir kovaryans ise bir değişken artarken diğerinin azaldığını gösterir. Kovaryansın mutlak değeri, iki değişkenin birbirine ne kadar bağımlı olduğunu belirtir. Ancak, kovaryansın büyüklüğü, değişkenlerin ölçüm birimlerine bağlıdır, bu nedenle kovaryans değerleri karşılaştırılabilir değildir.
FORMĂśL
\[ {cov} (X,Y)=\frac{\sum_{i=1}^{n} (X_i - \bar{X}) \cdot (Y_i - \bar{Y})}{n} \]
Örnek veri seti oluşturalım
deÄźiĹźken1 <- c(1, 2, 3, 4, 5) deÄźiĹźken2 <- c(2, 3, 4, 5, 6)
Kovaryansı hesapla
kovaryans <- cov(deÄźiĹźken1, deÄźiĹźken2) print(kovaryans)
train ve test nedir
Eğitim (train) ve test, makine öğrenimi ve yapay zeka gibi alanlarda sıkça kullanılan terimlerdir. İkisi de bir modelin performansını değerlendirmede önemli roller oynar.
Eğitim (Train) Verisi: Eğitim verisi, bir modelin öğrenme sürecinde kullanılan veri setidir. Bu veri seti, modelin belirli bir görevi gerçekleştirmesi için kullanılır. Örneğin, bir görüntü sınıflandırma modeli eğitmek istiyorsanız, eğitim verisi görüntüler ve bunların hangi sınıfa ait olduğu etiketlerden oluşur. Model, eğitim verisi üzerindeki örneklerden desenleri öğrenir ve bu desenleri kullanarak yeni örnekler için tahminler yapabilir hale gelir.
Test Verisi: Test verisi, eğitim sırasında kullanılan veri setinden farklı bir veri setidir. Modelin gerçek dünya verilerine ne kadar iyi genelleme yaptığını değerlendirmek için kullanılır. Eğitim verisinden ayrılmış olan test verisi, modelin daha önce görmediği örneklerden oluşur. Model, bu test verisini kullanarak performansını değerlendirir ve eğitim verisinde elde ettiği başarıyı genelleme yeteneğiyle ölçer.
Eğitim ve test verileri, modelin aşırı uyumu (overfitting) gibi problemleri tespit etmek ve modelin gerçek dünya verilerine ne kadar iyi genelleme yaptığını değerlendirmek için kritik öneme sahiptir. Ayrıca, bu veri kümeleri, modelin hiperparametrelerini ayarlamak ve optimize etmek için kullanılan çapraz doğrulama gibi tekniklerin uygulanmasında da önemli rol oynar.
library(readr)## Warning: le package 'readr' a été compilé avec la version R 4.3.3library(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
##
## â„ą Use `spec()` to retrieve the full column specification for this data.
## â„ą Specify the column types or set `show_col_types = FALSE` to quiet this message.View(test)library(readr)
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
##
## â„ą Use `spec()` to retrieve the full column specification for this data.
## â„ą Specify the column types or set `show_col_types = FALSE` to quiet this message.View(train)train## # A tibble: 8,693 Ă— 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
## # â„ą 8,683 more rows
## # â„ą 6 more variables: FoodCourt <dbl>, ShoppingMall <dbl>, Spa <dbl>,
## # VRDeck <dbl>, Name <chr>, Transported <lgl>library(ggplot2)ggplot(train, aes(x=RoomService))+
geom_histogram()
veri seti
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. - test.csv - Yolcuların geri kalan üçte birinin (~4300) kişisel kayıtları, test verisi olarak kullanılacak. TransportedGöreviniz bu setteki yolcular için değerini tahmin etmektir . - sample_submission.csv - Doğru formatta bir gönderim dosyası. - PassengerId- Test setindeki her yolcunun kimliği. - Transported- Hedef. Her yolcu için veya’dan birini tahmin Trueedin False
Cabinlerin 3 gruba sınıflandırlması
library(explore)## Warning: le package 'explore' a été compilé avec la version R 4.3.3library(WDI)library(tidyverse)## Warning: le package 'tidyverse' a été compilé avec la version R 4.3.3## Warning: le package 'tibble' a été compilé avec la version R 4.3.3## Warning: le package 'tidyr' a été compilé avec la version R 4.3.3## Warning: le package 'purrr' a été compilé avec la version R 4.3.3## Warning: le package 'dplyr' a été compilé avec la version R 4.3.3## Warning: le package 'stringr' a été compilé avec la version R 4.3.3## Warning: le package 'forcats' a été compilé avec la version R 4.3.3## Warning: le package 'lubridate' a été compilé avec la version R 4.3.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## âś” dplyr 1.1.4 âś” stringr 1.5.1
## âś” forcats 1.0.0 âś” tibble 3.2.1
## âś” lubridate 1.9.3 âś” tidyr 1.3.1
## âś” purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## âś– dplyr::filter() masks stats::filter()
## âś– dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorstrain <- separate(train, Cabin, into = c(“sutun1”, “sutun2”, “sutun3”), sep = “/”, remove=FALSE)
Tren birikimi
train=train %>% mutate_if(is.character,as.factor)train$HomePlanet <- as.factor(train$HomePlanet)train %>% describe_all()## # A tibble: 14 Ă— 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 Destination fct 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 fct 200 2.3 8474 NA NA NA
## 14 Transported lgl 0 0 2 0 0.5 1library(mice)## Warning: le package 'mice' a été compilé avec la version R 4.3.3## Warning in check_dep_version(): ABI version mismatch:
## lme4 was built with Matrix ABI version 1
## Current Matrix ABI version is 0
## Please re-install lme4 from source or restore original 'Matrix' package##
## Attachement du package : 'mice'## L'objet suivant est masqué depuis 'package:stats':
##
## filter## Les objets suivants sont masqués depuis 'package:base':
##
## cbind, rbindVIM::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 0.00000000md.pattern(train)
## PassengerId Transported Age RoomService Destination FoodCourt Spa VRDeck
## 6606 1 1 1 1 1 1 1 1
## 167 1 1 1 1 1 1 1 1
## 164 1 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1 1
## 165 1 1 1 1 1 1 1 1
## 5 1 1 1 1 1 1 1 1
## 3 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 163 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 5 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 158 1 1 1 1 1 1 1 1
## 9 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 5 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 158 1 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 5 1 1 1 1 1 1 1 1
## 6 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 151 1 1 1 1 1 1 1 0
## 6 1 1 1 1 1 1 1 0
## 6 1 1 1 1 1 1 1 0
## 1 1 1 1 1 1 1 1 0
## 3 1 1 1 1 1 1 1 0
## 4 1 1 1 1 1 1 1 0
## 153 1 1 1 1 1 1 0 1
## 2 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 0 1
## 2 1 1 1 1 1 1 0 1
## 2 1 1 1 1 1 1 0 1
## 5 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 0 1
## 3 1 1 1 1 1 1 0 0
## 142 1 1 1 1 1 0 1 1
## 3 1 1 1 1 1 0 1 1
## 2 1 1 1 1 1 0 1 1
## 4 1 1 1 1 1 0 1 1
## 1 1 1 1 1 1 0 1 1
## 5 1 1 1 1 1 0 1 1
## 4 1 1 1 1 1 0 1 1
## 6 1 1 1 1 1 0 1 0
## 4 1 1 1 1 1 0 0 1
## 1 1 1 1 1 1 0 0 1
## 146 1 1 1 1 0 1 1 1
## 2 1 1 1 1 0 1 1 1
## 5 1 1 1 1 0 1 1 1
## 3 1 1 1 1 0 1 1 1
## 3 1 1 1 1 0 1 1 1
## 1 1 1 1 1 0 1 1 1
## 3 1 1 1 1 0 1 1 1
## 1 1 1 1 1 0 1 1 1
## 1 1 1 1 1 0 1 1 1
## 1 1 1 1 1 0 1 1 1
## 2 1 1 1 1 0 1 1 0
## 2 1 1 1 1 0 1 0 1
## 1 1 1 1 1 0 1 0 1
## 4 1 1 1 1 0 0 1 1
## 1 1 1 1 1 0 0 1 1
## 149 1 1 1 0 1 1 1 1
## 2 1 1 1 0 1 1 1 1
## 4 1 1 1 0 1 1 1 1
## 4 1 1 1 0 1 1 1 1
## 6 1 1 1 0 1 1 1 1
## 1 1 1 1 0 1 1 1 1
## 4 1 1 1 0 1 1 1 1
## 2 1 1 1 0 1 1 1 0
## 3 1 1 1 0 1 1 0 1
## 2 1 1 1 0 1 0 1 1
## 3 1 1 1 0 0 1 1 1
## 151 1 1 0 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1
## 4 1 1 0 1 1 1 1 1
## 5 1 1 0 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1
## 2 1 1 0 1 1 1 1 1
## 2 1 1 0 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1
## 2 1 1 0 1 1 1 1 0
## 1 1 1 0 1 1 1 1 0
## 1 1 1 0 1 1 1 1 0
## 1 1 1 0 1 1 1 0 1
## 3 1 1 0 1 1 0 1 1
## 2 1 1 0 1 0 1 1 1
## 1 1 1 0 1 0 0 1 1
## 1 1 1 0 0 1 1 1 1
## 0 0 179 181 182 183 183 188
## Cabin Name HomePlanet VIP ShoppingMall CryoSleep
## 6606 1 1 1 1 1 1 0
## 167 1 1 1 1 1 0 1
## 164 1 1 1 1 0 1 1
## 6 1 1 1 1 0 0 2
## 165 1 1 1 0 1 1 1
## 5 1 1 1 0 1 0 2
## 3 1 1 1 0 0 1 2
## 1 1 1 1 0 0 0 3
## 163 1 1 0 1 1 1 1
## 2 1 1 0 1 1 0 2
## 5 1 1 0 1 0 1 2
## 2 1 1 0 0 1 1 2
## 158 1 0 1 1 1 1 1
## 9 1 0 1 1 1 0 2
## 2 1 0 1 1 0 1 2
## 1 1 0 1 0 1 1 2
## 5 1 0 0 1 1 1 2
## 2 1 0 0 1 0 1 3
## 158 0 1 1 1 1 1 1
## 6 0 1 1 1 1 0 2
## 2 0 1 1 1 0 1 2
## 5 0 1 1 0 1 1 2
## 6 0 1 0 1 1 1 2
## 1 0 0 1 1 1 1 2
## 151 1 1 1 1 1 1 1
## 6 1 1 1 1 1 0 2
## 6 1 1 1 1 0 1 2
## 1 1 1 1 0 1 0 3
## 3 1 0 1 1 1 1 2
## 4 0 1 1 1 1 1 2
## 153 1 1 1 1 1 1 1
## 2 1 1 1 1 1 0 2
## 1 1 1 1 1 0 1 2
## 1 1 1 1 1 0 0 3
## 2 1 1 1 0 1 1 2
## 2 1 1 0 1 1 1 2
## 5 1 0 1 1 1 1 2
## 1 1 0 1 1 1 0 3
## 1 0 1 1 1 1 1 2
## 3 1 1 1 1 1 1 2
## 142 1 1 1 1 1 1 1
## 3 1 1 1 1 1 0 2
## 2 1 1 1 1 0 1 2
## 4 1 1 1 0 1 1 2
## 1 1 1 0 1 1 1 2
## 5 1 0 1 1 1 1 2
## 4 0 1 1 1 1 1 2
## 6 1 1 1 1 1 1 2
## 4 1 1 1 1 1 1 2
## 1 1 1 0 1 1 1 3
## 146 1 1 1 1 1 1 1
## 2 1 1 1 1 1 0 2
## 5 1 1 1 1 0 1 2
## 3 1 1 1 0 1 1 2
## 3 1 1 0 1 1 1 2
## 1 1 1 0 0 1 1 3
## 3 1 0 1 1 1 1 2
## 1 0 1 1 1 1 1 2
## 1 0 1 1 1 1 0 3
## 1 0 0 1 1 1 1 3
## 2 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 2
## 1 1 1 1 1 1 0 3
## 4 1 1 1 1 1 1 2
## 1 0 1 1 1 1 1 3
## 149 1 1 1 1 1 1 1
## 2 1 1 1 1 1 0 2
## 4 1 1 1 1 0 1 2
## 4 1 1 1 0 1 1 2
## 6 1 1 0 1 1 1 2
## 1 1 0 1 1 1 1 2
## 4 0 1 1 1 1 1 2
## 2 1 1 1 1 1 1 2
## 3 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 2
## 3 1 1 1 1 1 1 2
## 151 1 1 1 1 1 1 1
## 1 1 1 1 1 1 0 2
## 4 1 1 1 1 0 1 2
## 5 1 1 1 0 1 1 2
## 1 1 1 0 1 1 1 2
## 2 1 0 1 1 1 1 2
## 2 0 1 1 1 1 1 2
## 1 0 1 1 0 1 1 3
## 2 1 1 1 1 1 1 2
## 1 1 1 0 1 1 1 3
## 1 1 0 1 1 1 1 3
## 1 0 1 1 1 1 1 3
## 3 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 2
## 1 1 1 1 1 1 1 3
## 1 1 1 1 1 1 1 2
## 199 200 201 203 208 217 2324md.pattern(train[1:580,])
## PassengerId Transported VIP FoodCourt Spa Destination Name CryoSleep VRDeck
## 440 1 1 1 1 1 1 1 1 1
## 13 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
## 7 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
## 7 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 1 0
## 8 1 1 1 1 0 1 1 1 1
## 5 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 1 0 1 1 1
## 4 1 1 0 1 1 1 1 1 1
## 1 1 1 0 1 1 1 1 1 1
## 0 0 5 8 8 10 11 13 14
## RoomService Cabin Age HomePlanet ShoppingMall
## 440 1 1 1 1 1 0
## 13 1 1 1 1 0 1
## 15 1 1 1 0 1 1
## 2 1 1 1 0 0 2
## 12 1 1 0 1 1 1
## 3 1 1 0 1 0 2
## 14 1 0 1 1 1 1
## 14 0 1 1 1 1 1
## 1 0 1 1 0 1 2
## 1 0 0 1 1 1 2
## 7 1 1 1 1 1 1
## 1 1 1 1 1 0 2
## 2 1 1 0 1 1 2
## 1 1 0 1 1 1 2
## 11 1 1 1 1 1 1
## 1 1 0 1 1 1 2
## 1 1 1 1 1 1 2
## 11 1 1 1 1 1 1
## 7 1 1 1 1 1 1
## 1 1 1 1 0 1 2
## 1 1 1 1 1 1 2
## 8 1 1 1 1 1 1
## 5 1 1 1 1 1 1
## 1 1 0 1 1 1 2
## 1 1 1 1 1 1 2
## 1 1 1 1 1 1 2
## 4 1 1 1 1 1 1
## 1 1 1 0 1 1 2
## 16 18 18 19 19 159summary(train)## PassengerId HomePlanet CryoSleep Cabin
## 0001_01: 1 Earth :4602 Mode :logical G/734/S: 8
## 0002_01: 1 Europa:2131 FALSE:5439 B/11/S : 7
## 0003_01: 1 Mars :1759 TRUE :3037 B/201/P: 7
## 0003_02: 1 NA's : 201 NA's :217 B/82/S : 7
## 0004_01: 1 C/137/S: 7
## 0005_01: 1 (Other):8458
## (Other):8687 NA's : 199
## Destination Age VIP RoomService
## 55 Cancri e :1800 Min. : 0.00 Mode :logical Min. : 0.0
## PSO J318.5-22: 796 1st Qu.:19.00 FALSE:8291 1st Qu.: 0.0
## TRAPPIST-1e :5915 Median :27.00 TRUE :199 Median : 0.0
## NA's : 182 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
## Alraium Disivering: 2 Mode :logical
## Ankalik Nateansive: 2 FALSE:4315
## Anton Woody : 2 TRUE :4378
## Apix Wala : 2
## Asch Stradick : 2
## (Other) :8483
## NA's : 200library(ggplot2)train <- train[complete.cases(train), ]summary(train)## PassengerId HomePlanet CryoSleep Cabin
## 0001_01: 1 Earth :3566 Mode :logical B/11/S : 7
## 0002_01: 1 Europa:1673 FALSE:4274 C/137/S : 7
## 0003_01: 1 Mars :1367 TRUE :2332 E/13/S : 7
## 0003_02: 1 G/1476/S: 7
## 0004_01: 1 G/734/S : 7
## 0005_01: 1 C/21/P : 6
## (Other):6600 (Other) :6565
## Destination Age VIP RoomService
## 55 Cancri e :1407 Min. : 0.00 Mode :logical Min. : 0
## PSO J318.5-22: 623 1st Qu.:19.00 FALSE:6444 1st Qu.: 0
## TRAPPIST-1e :4576 Median :27.00 TRUE :162 Median : 0
## Mean :28.89 Mean : 223
## 3rd Qu.:38.00 3rd Qu.: 49
## Max. :79.00 Max. :9920
##
## FoodCourt ShoppingMall Spa VRDeck
## Min. : 0.00 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.00 Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 478.96 Mean : 178.4 Mean : 313.2 Mean : 303.8
## 3rd Qu.: 82.75 3rd Qu.: 30.0 3rd Qu.: 65.0 3rd Qu.: 52.0
## Max. :29813.00 Max. :12253.0 Max. :22408.0 Max. :20336.0
##
## Name Transported
## Alraium Disivering: 2 Mode :logical
## Ankalik Nateansive: 2 FALSE:3279
## Anton Woody : 2 TRUE :3327
## Apix Wala : 2
## Asch Stradick : 2
## Carry Contrevins : 2
## (Other) :6594