EKONOMETRI ILK PROJE
ILK PROJET
.R yükledik
.R Markdown başlangıç
.Web sayfası hazırlandık
.İnternete yükledik
FORMUL
\[ a^7 + b^7 = (a + b).(a^6 – a^5 b + a^4 b^2 – a^3 b^3 + a^2 b^4 – ab^5 + b^6 ) \]
Mauritius ve Guadeloupe Enflasyon grafik
library(ggplot2)
enflasyon_verileri <- data.frame(
ülke = c(rep("Mauritius", 10), rep("Guadeloupe", 10)),
yıl = rep(2010:2019, 2),
enflasyon = c(1.5, 3.0, 1.8, 3.0, 3.5, 2.0, 4.2, 2.5, 5.8, 3.0,
4.8, 2.7, 2.9, 2.9, 3.2, 2.3, 4.5, 3.6, 4.8, 2.0)
)
grafik <- ggplot(enflasyon_verileri, aes(x = yıl, y = enflasyon, color = ülke)) +
geom_line() +
geom_point() +
labs(x = "Yıl", y = "Enflasyon Oranı", color = "Ülke") +
ggtitle("Mauritius ve Guadeloupe Enflasyon Karşılaştırması")
print(grafik)
Makine ogrenmesi aciklayin
Makine öğrenmesi açıklama
Makine öğrenimi, bilgisayar sistemlerinin belirli bir görevi veya problemi performanslarını deneyimlerden öğrenerek veya verileri analiz ederek çözmelerini sağlayan bir yapay zeka dalıdır. Geleneksel programlama yaklaşımından farklı olarak, makine öğrenimi modelleri veriye dayalı olarak öğrenir ve genellikle karmaşık matematiksel algoritmalar kullanarak bu veriler arasında desenleri bulur.
Makine öğrenimi genellikle iki ana kategoride incelenir:
Denetimli Öğrenme (Supervised Learning): Bu yaklaşımda, algoritma, öğrenme için etiketlenmiş veri kümesine erişir. Etiketlenmiş veri, girdi verilerine karşılık gelen doğru çıktıları içerir. Algoritma, bu verileri kullanarak girdi ile çıktı arasındaki ilişkiyi öğrenir. Denetimli öğrenme, sınıflandırma (classification) ve regresyon (regression) gibi alt kategorilere ayrılabilir. Sınıflandırma, belirli bir sınıfa ait olup olmadığını belirlemek için kullanılırken, regresyon, sürekli bir çıktı tahmin etmek için kullanılır.
Denetimsiz Öğrenme (Unsupervised Learning): Bu yaklaşımda, algoritma etiketlenmemiş veri kümesine erişir. Etiketlenmemiş verilerde herhangi bir çıktı etiketi bulunmaz. Algoritma, bu verilerde gizli yapıları veya desenleri tanımlamaya çalışır. Denetimsiz öğrenme, kümeleme (clustering) ve boyut azaltma (dimensionality reduction) gibi alt kategorilere ayrılabilir. Kümeleme, verileri belirli özelliklere göre gruplandırmak için kullanılırken, boyut azaltma, veri setindeki gereksiz özellikleri çıkararak veri boyutunu azaltmak için kullanılır.
Makine öğrenimi, birçok farklı uygulama alanında kullanılmaktadır, örneğin:
- Tıbbi tanı ve tedavi planlaması
- Finansal tahmin ve risk analizi
- Otomatik sürüş ve robotik
- Doğal dil işleme ve metin analizi
- Görüntü ve ses tanıma
- Pazarlama ve müşteri segmentasyonu
Makine öğrenimi modelleri, genellikle veriye dayalı olarak geliştirildiği için, veri kalitesi, miktarı ve temsili gibi faktörlerin başarı üzerinde önemli bir etkisi vardır. Ayrıca, modelin uygun bir şekilde eğitilmesi, doğru bir şekilde değerlendirilmesi ve gerektiğinde güncellenmesi önemlidir.
space titanic
kaggle proje
Pacehip titanic( kaggle tanımı)
Hoş geldiniz 2912 yılına, veri bilimi becerilerinizin bir kozmik gizemi çözmek için gerektiği bir 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 yolcu ile gemi, güneş sistemimizden üç yakınlarda yıldızlara yörüngede bulunan yeni yaşanabilir dış gezegenlere göçmen taşıyarak ilk yolculuğuna çıktı.
İlk hedefi olan ısırıcı 55 Cancri E’ye varış rotasında Alpha Centauri’yi dönüş yaparken, dikkatsiz Uzay gemisi Titanic bir toz bulutu içinde gizlenmiş bir uzay-zaman anormalliğiyle çarpıştı. Ne yazık ki, adını taşıyan gemiye 1000 yıl önce gelen benzer bir kaderi yaşadı. Gemi sağlam kalsa da, neredeyse yolcuların yarısı alternatif bir boyuta taşındı!
Kurtarma ekiplerine yardım etmek ve kayıp yolcuları kurtarmak için, geminin hasarlı bilgisayar sisteminden kurtarılan kayıtları kullanarak anormallik tarafından taşınan yolcuları tahmin etmeye meydan okunuyorsunuz.
Onları kurtarın ve tarihi değiştirin!
Ortalama nedir?
Ortalama, bir veri kümesindeki değerlerin toplamının, bu değerlerin sayısına bölünmesiyle elde edilen bir ölçüdür. Genellikle bir veri kümesinin merkezi eğilimini temsil etmek için kullanılır.
Formülü
\[ \bar{X} = \frac {\Sigma^n_i (X_i)}{n} \]
Korelasyon nedir?
Korelasyon, istatistiksel bir ilişkiyi ifade eden ve iki değişken arasındaki ilişkinin gücünü ve yönünü ölçen bir terimdir. İki değişken arasındaki ilişki genellikle Pearson korelasyon katsayısı veya Spearman korelasyon katsayısı gibi ölçümlerle ifade edilir.
Pearson Korelasyon Katsayısı: Pearson korelasyon katsayısı, iki sürekli değişken arasındaki doğrusal ilişkiyi ölçer. Değerler -1 ile +1 arasında olabilir. Pozitif bir korelasyon katsayısı, değişkenler arasında pozitif bir ilişki olduğunu gösterir (bir değişken artarken diğeri de artar). Negatif bir korelasyon katsayısı ise, değişkenler arasında negatif bir ilişki olduğunu gösterir (bir değişken artarken diğeri azalır). 0 değeri, değişkenler arasında herhangi bir ilişki olmadığını gösterir.
Spearman Korelasyon Katsayısı: Spearman korelasyon katsayısı, iki değişken arasındaki ilişkiyi ölçer, ancak doğrusal bir ilişki yerine, değişkenler arasındaki monoton bir ilişkiyi (sıralama) değerlendirir. Değişkenlerin sıralı değerlerine dayanarak korelasyon hesaplanır.
Korelasyon, istatistiksel analizde yaygın olarak kullanılır ve birçok alanda önemli bir araçtır. Örneğin, ekonomi, sosyal bilimler, tıp ve mühendislik gibi alanlarda değişkenler arasındaki ilişkileri anlamak için kullanılabilir. Ancak, korelasyon nedensellik ile karıştırılmamalıdır. İki değişken arasında yüksek bir korelasyon olması, bir değişkenin diğerini neden olduğu anlamına gelmez; sadece bu değişkenler arasında bir ilişki olduğunu gösterir.
Formülü
\[ R = \frac {\Sigma (x_i-\bar{x})(y_i-\bar{y})}{ \sqrt {\Sigma (x_i-\bar{x})^2 \Sigma (y_i-\bar{y})^2}} \]
Standart sapma nedir?
Standart sapma, bir veri kümesinin yayılımını veya dağılımını ölçen bir istatistiksel ölçüdür. Standart sapma, bir veri setindeki değerlerin ortalama değerinden ne kadar uzaklıkta olduğunu gösterir. Daha düşük bir standart sapma, veri noktalarının ortalamaya daha yakın olduğunu, daha yüksek bir standart sapma ise veri noktalarının ortalama etrafında daha fazla yayıldığını gösterir.
Standart sapma, bir veri setinin her bir elemanının, ortalama değerden ne kadar uzaklıkta olduğunu ölçer. Bu nedenle, standart sapma büyük ölçüde veri noktalarının ortalamadan sapmasını ölçer.
Standart sapma, genellikle veri dağılımlarını karşılaştırmak, değişkenlerin tutarlılığını değerlendirmek ve olasılık dağılımlarını analiz etmek için kullanılır. Daha küçük bir standart sapma, veri setinin daha homojen veya tutarlı olduğunu gösterirken, daha büyük bir standart sapma, veri setinin daha heterojen veya çeşitli olduğunu gösterir.
Formülü
\[ \sigma = \sqrt \frac {\Sigma^N_i (X_i-\bar{X})^2}{N} \]
Kovaryans nedir?
Kovaryans, iki değişken arasındaki ilişkinin dağılımını ölçen istatistiksel bir ölçüdür. Kovaryans, bu değişkenler arasındaki ilişkinin yönünü (pozitif veya negatif) ve bu ilişkinin gücünü (ne kadar güçlü olduğunu) gösterir.
Kovaryans, iki değişkenin birlikte nasıl değiştiğini ölçer. Eğer iki değişken birlikte artıp azalıyorsa, kovaryans pozitif olur (pozitif ilişki). Eğer bir değişken artarken diğeri azalıyorsa, kovaryans negatif olur (negatif ilişki). Eğer iki değişken arasında herhangi bir ilişki yoksa, kovaryans yaklaşık olarak sıfıra eşit olur.
Fomülü
\[ {cov} (X,Y) = \frac {\Sigma (X_i-\bar{X})(Y_i-\bar{Y})}{n-1} \]
Train ve test nedir?
“Train” ve “test”, makine öğrenimi ve veri bilimi gibi alanlarda kullanılan iki kritik terimdir ve genellikle veri setlerini model eğitimi ve performansın değerlendirilmesi için bölme sürecini ifade eder.
Eğitim Verisi (Train Data): Eğitim verisi, makine öğrenimi modelinin öğrenmek için kullandığı veri setidir. Bu veri seti, modelin özelliklerini ve ilişkileri anlamasına yardımcı olacak girdi verilerini içerir. Model eğitimi sırasında, eğitim verisi üzerindeki öğrenme işlemi gerçekleştirilir. Eğitim verisi, genellikle orijinal veri setinin büyük bir bölümünü oluşturur, çünkü modelin karmaşıklığını ve genelleme yeteneğini artırmak için yeterli veriye ihtiyaç vardır.
Test Verisi (Test Data): Test verisi, eğitim sürecinde oluşturulan modelin performansını değerlendirmek için kullanılan veri setidir. Bu veri seti, modelin daha önce görmediği verilerden oluşur ve modelin gerçek dünya verilerine ne kadar iyi uyarlandığını ölçmek için kullanılır. Model testi sırasında, test verisi üzerindeki tahminlerin doğruluğu ve performansı ölçülür. Test verisi, modelin aşırı uyuma (overfitting) yapmamasını ve genelleme yeteneğini doğru bir şekilde değerlendirmesini sağlamak için önemlidir.
Bu bölme süreci, veri setinin eğitim ve test verisi olarak nasıl ayrılacağını belirlemek için yapılan önemli bir adımdır. Genellikle, orijinal veri setinin belirli bir yüzdesi eğitim verisi olarak ayrılırken, geri kalanı test verisi olarak ayrılır. Veri seti büyük ise, genellikle daha büyük bir oran eğitim verisi olarak ayrılabilirken, veri seti küçük ise daha küçük bir oran tercih edilebilir. Bu, modelin daha iyi bir şekilde öğrenmesini ve doğru bir şekilde değerlendirilmesini sağlar
## # 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 açıklama
train.csv - Yolcuların yaklaşık üçte ikisi için kişisel kayıtlar, eğitim verisi olarak kullanılacak.
PassengerId - Her yolcu için benzersiz bir kimlik. Her kimlik, yolcunun seyahat ettiği grubu gösteren gggg ve pp’nin grup içindeki numarasının olduğu bir form alır. Bir gruptaki insanlar genellikle aile üyeleridir, ancak her zaman değil.
HomePlanet - Yolcunun ayrıldığı gezegen, genellikle kalıcı ikamet ettikleri gezegen. CryoSleep - Yolcunun seyahat süresince askıya alınmış animasyona girmeyi seçip seçmediğini gösterir. Cryosleep’teki yolcular kabinlerine kapatılır.
Cabin - Yolcunun kaldığı kabin numarası. Yan taraf / num / tarafın olduğu bir form alır, yan, P için Port veya S için Starboard olabilir.
Destination - Yolcunun debark edeceği gezegen.
Age - Yolcunun yaşı.
**VIP* - Yolcunun seyahat sırasında özel VIP hizmeti için ödeme yapılıp yapılmadığı.
RoomService, FoodCourt, ShoppingMall, Spa, VRDeck - Yolcunun Spaceship Titanic’in birçok lüks imkanından her biri için fatura miktarı.
Name - Yolcunun adı ve soyadı.
Transported - Yolcunun başka bir boyuta taşınıp taşınmadığı. Bu, tahmin etmeye çalıştığınız sütun hedefidir.
test.csv - Geriye kalan üçte bir (~4300) yolcu için kişisel kayıtlar, test verisi olarak kullanılacak. Göreviniz, bu setteki yolcuların Transported değerini tahmin etmektir.
sample_submission.csv - Doğru formatta bir gönderim dosyası.
PassengerId - Test setindeki her yolcu için kimlik. Transported* - Hedef. Her yolcu için ya True ya da False tahmin edin.
Cabin üç farklı grup çıkarma
## 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
##
##
##
## Group_id ve beraber_yolculuk_yapanlar
train <- separate(train, PassengerId, into = c("group_id", "sequence_number"), sep = "_", remove = FALSE)## 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 sutun1 sutun2
## Mode :logical Length:8693 Length:8693 Length:8693
## FALSE:5439 Class :character Class :character Class :character
## TRUE :3037 Mode :character Mode :character Mode :character
## NA's :217
##
##
##
## sutun3 Destination Age VIP
## Length:8693 Length:8693 Min. : 0.00 Mode :logical
## Class :character Class :character 1st Qu.:19.00 FALSE:8291
## Mode :character Mode :character Median :27.00 TRUE :199
## Mean :28.83 NA's :203
## 3rd Qu.:38.00
## Max. :79.00
## NA's :179
## RoomService FoodCourt ShoppingMall Spa
## 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 : 224.7 Mean : 458.1 Mean : 173.7 Mean : 311.1
## 3rd Qu.: 47.0 3rd Qu.: 76.0 3rd Qu.: 27.0 3rd Qu.: 59.0
## Max. :14327.0 Max. :29813.0 Max. :23492.0 Max. :22408.0
## NA's :181 NA's :183 NA's :208 NA's :183
## VRDeck Name Transported
## Min. : 0.0 Length:8693 Mode :logical
## 1st Qu.: 0.0 Class :character FALSE:4315
## Median : 0.0 Mode :character TRUE :4378
## Mean : 304.9
## 3rd Qu.: 46.0
## Max. :24133.0
## NA's :188Boşlukları doldurulması
## # A tibble: 19 × 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 group_id fct 0 0 6217 NA NA NA
## 3 sequence_number fct 0 0 8 NA NA NA
## 4 HomePlanet fct 201 2.3 4 NA NA NA
## 5 CryoSleep lgl 217 2.5 3 0 0.36 1
## 6 Cabin fct 199 2.3 6561 NA NA NA
## 7 sutun1 fct 199 2.3 9 NA NA NA
## 8 sutun2 fct 199 2.3 1818 NA NA NA
## 9 sutun3 fct 199 2.3 3 NA NA NA
## 10 Destination fct 182 2.1 4 NA NA NA
## 11 Age dbl 179 2.1 81 0 28.8 79
## 12 VIP lgl 203 2.3 3 0 0.02 1
## 13 RoomService dbl 181 2.1 1274 0 225. 14327
## 14 FoodCourt dbl 183 2.1 1508 0 458. 29813
## 15 ShoppingMall dbl 208 2.4 1116 0 174. 23492
## 16 Spa dbl 183 2.1 1328 0 311. 22408
## 17 VRDeck dbl 188 2.2 1307 0 305. 24133
## 18 Name fct 200 2.3 8474 NA NA NA
## 19 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
## group_id 0.00000000
## sequence_number 0.00000000
## Transported 0.00000000
## PassengerId group_id sequence_number Transported VIP FoodCourt Spa Name
## 573 1 1 1 1 1 1 1 1
## 18 1 1 1 1 1 1 1 1
## 16 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 18 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 16 1 1 1 1 1 1 1 1
## 2 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 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 14 1 1 1 1 1 1 1 1
## 3 1 1 1 1 1 1 1 1
## 2 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
## 2 1 1 1 1 1 1 1 1
## 12 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 1 1 1 1 1 1
## 15 1 1 1 1 1 1 1 0
## 12 1 1 1 1 1 1 0 1
## 1 1 1 1 1 1 1 0 1
## 6 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 1 1 1 1 1 0 1 1
## 7 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 0 1 1
## 0 0 0 0 10 10 13 15
## Destination RoomService Age VRDeck HomePlanet CryoSleep Cabin sutun1 sutun2
## 573 1 1 1 1 1 1 1 1 1
## 18 1 1 1 1 1 1 1 1 1
## 16 1 1 1 1 1 1 0 0 0
## 1 1 1 1 1 1 1 0 0 0
## 18 1 1 1 1 1 0 1 1 1
## 2 1 1 1 1 1 0 0 0 0
## 16 1 1 1 1 0 1 1 1 1
## 2 1 1 1 1 0 1 1 1 1
## 13 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 0 0
## 1 1 1 1 0 1 0 1 1 1
## 14 1 1 0 1 1 1 1 1 1
## 3 1 1 0 1 1 1 1 1 1
## 2 1 1 0 0 1 1 1 1 1
## 14 1 0 1 1 1 1 1 1 1
## 1 1 0 1 1 1 1 0 0 0
## 2 1 0 1 1 0 1 1 1 1
## 12 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 1 1 1 1
## 1 0 1 1 0 1 1 1 1 1
## 15 1 1 1 1 1 1 1 1 1
## 12 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 0 0 0
## 6 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 0 0 0
## 1 1 1 1 0 1 1 1 1 1
## 1 0 1 1 1 1 1 1 1 1
## 7 1 1 1 1 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 1 1 1 1 1 1 1 1 1
## 16 18 20 20 21 21 23 23 23
## sutun3 ShoppingMall
## 573 1 1 0
## 18 1 0 1
## 16 0 1 4
## 1 0 0 5
## 18 1 1 1
## 2 0 1 5
## 16 1 1 1
## 2 1 0 2
## 13 1 1 1
## 1 1 0 2
## 1 0 1 5
## 1 1 1 2
## 14 1 1 1
## 3 1 0 2
## 2 1 1 2
## 14 1 1 1
## 1 0 1 5
## 2 1 1 2
## 12 1 1 1
## 1 1 0 2
## 1 1 1 2
## 1 1 1 2
## 15 1 1 1
## 12 1 1 1
## 1 0 1 5
## 6 1 1 1
## 1 0 1 5
## 1 1 1 2
## 1 1 1 2
## 7 1 1 1
## 1 1 1 2
## 1 1 1 2
## 1 1 1 2
## 23 26 282## PassengerId group_id sequence_number HomePlanet CryoSleep
## 0001_01: 1 0984 : 8 01 :6217 Earth :4602 Mode :logical
## 0002_01: 1 4005 : 8 02 :1412 Europa:2131 FALSE:5439
## 0003_01: 1 4256 : 8 03 : 571 Mars :1759 TRUE :3037
## 0003_02: 1 4498 : 8 04 : 231 NA's : 201 NA's :217
## 0004_01: 1 5133 : 8 05 : 128
## 0005_01: 1 5756 : 8 06 : 75
## (Other):8687 (Other):8645 (Other): 59
## Cabin sutun1 sutun2 sutun3 Destination
## G/734/S: 8 F :2794 82 : 28 P :4206 55 Cancri e :1800
## B/11/S : 7 G :2559 19 : 22 S :4288 PSO J318.5-22: 796
## B/201/P: 7 E : 876 86 : 22 NA's: 199 TRAPPIST-1e :5915
## B/82/S : 7 B : 779 176 : 21 NA's : 182
## C/137/S: 7 C : 747 56 : 21
## (Other):8458 (Other): 739 (Other):8380
## NA's : 199 NA's : 199 NA's : 199
## 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
## Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.0 Median : 0.0 Median : 0.0
## 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
## 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 : 200## PassengerId group_id sequence_number HomePlanet CryoSleep
## 0001_01: 1 4256 : 8 01 :4734 Earth :3566 Mode :logical
## 0002_01: 1 0221 : 7 02 :1062 Europa:1673 FALSE:4274
## 0003_01: 1 0378 : 7 03 : 432 Mars :1367 TRUE :2332
## 0003_02: 1 3850 : 7 04 : 178
## 0004_01: 1 4176 : 7 05 : 99
## 0005_01: 1 4498 : 7 06 : 60
## (Other):6600 (Other):6563 (Other): 41
## Cabin sutun1 sutun2 sutun3 Destination
## B/11/S : 7 F :2152 82 : 22 P:3261 55 Cancri e :1407
## C/137/S : 7 G :1973 56 : 19 S:3345 PSO J318.5-22: 623
## E/13/S : 7 E : 683 97 : 19 TRAPPIST-1e :4576
## G/1476/S: 7 B : 628 176 : 18
## G/734/S : 7 C : 587 186 : 17
## C/21/P : 6 D : 374 269 : 17
## (Other) :6565 (Other): 209 (Other):6494
## Age VIP RoomService FoodCourt
## Min. : 0.00 Mode :logical Min. : 0 Min. : 0.00
## 1st Qu.:19.00 FALSE:6444 1st Qu.: 0 1st Qu.: 0.00
## Median :27.00 TRUE :162 Median : 0 Median : 0.00
## Mean :28.89 Mean : 223 Mean : 478.96
## 3rd Qu.:38.00 3rd Qu.: 49 3rd Qu.: 82.75
## Max. :79.00 Max. :9920 Max. :29813.00
##
## ShoppingMall Spa VRDeck
## Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## Median : 0.0 Median : 0.0 Median : 0.0
## Mean : 178.4 Mean : 313.2 Mean : 303.8
## 3rd Qu.: 30.0 3rd Qu.: 65.0 3rd Qu.: 52.0
## 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
##
## Variables sorted by number of missings:
## Variable Count
## PassengerId 0
## group_id 0
## sequence_number 0
## HomePlanet 0
## CryoSleep 0
## Cabin 0
## sutun1 0
## sutun2 0
## sutun3 0
## Destination 0
## Age 0
## VIP 0
## RoomService 0
## FoodCourt 0
## ShoppingMall 0
## Spa 0
## VRDeck 0
## Name 0
## Transported 0Test Cabin üç farklı grup çıkarmak
## PassengerId HomePlanet CryoSleep Cabin
## Length:4277 Length:4277 Mode :logical Length:4277
## Class :character Class :character FALSE:2640 Class :character
## Mode :character Mode :character TRUE :1544 Mode :character
## NA's :93
##
##
##
## sutun1 sutun2 sutun3 Destination
## Length:4277 Length:4277 Length:4277 Length:4277
## 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:4110 1st Qu.: 0.0 1st Qu.: 0.0
## Median :26.00 TRUE :74 Median : 0.0 Median : 0.0
## Mean :28.66 NA's :93 Mean : 219.3 Mean : 439.5
## 3rd Qu.:37.00 3rd Qu.: 53.0 3rd Qu.: 78.0
## Max. :79.00 Max. :11567.0 Max. :25273.0
## NA's :91 NA's :82 NA's :106
## ShoppingMall Spa VRDeck Name
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Length:4277
## 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 : 177.3 Mean : 303.1 Mean : 310.7
## 3rd Qu.: 33.0 3rd Qu.: 50.0 3rd Qu.: 36.0
## Max. :8292.0 Max. :19844.0 Max. :22272.0
## NA's :98 NA's :101 NA's :80Test’de Boşlukları aramak
## # A tibble: 16 × 8
## variable type na na_pct unique min mean max
## <chr> <chr> <int> <dbl> <int> <dbl> <dbl> <dbl>
## 1 PassengerId chr 0 0 4277 NA NA NA
## 2 HomePlanet chr 87 2 4 NA NA NA
## 3 CryoSleep lgl 93 2.2 3 0 0.37 1
## 4 Cabin chr 100 2.3 3266 NA NA NA
## 5 sutun1 chr 100 2.3 9 NA NA NA
## 6 sutun2 chr 100 2.3 1506 NA NA NA
## 7 sutun3 chr 100 2.3 3 NA NA NA
## 8 Destination chr 92 2.2 4 NA NA NA
## 9 Age dbl 91 2.1 80 0 28.7 79
## 10 VIP lgl 93 2.2 3 0 0.02 1
## 11 RoomService dbl 82 1.9 843 0 219. 11567
## 12 FoodCourt dbl 106 2.5 903 0 439. 25273
## 13 ShoppingMall dbl 98 2.3 716 0 177. 8292
## 14 Spa dbl 101 2.4 834 0 303. 19844
## 15 VRDeck dbl 80 1.9 797 0 311. 22272
## 16 Name chr 94 2.2 4177 NA NA NA
##
## Variables sorted by number of missings:
## Variable Count
## FoodCourt 0.02478373
## Spa 0.02361468
## Cabin 0.02338087
## sutun1 0.02338087
## sutun2 0.02338087
## sutun3 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
## PassengerId VRDeck RoomService HomePlanet Age Destination CryoSleep VIP
## 3281 1 1 1 1 1 1 1 1
## 92 1 1 1 1 1 1 1 1
## 81 1 1 1 1 1 1 1 1
## 82 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
## 75 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 1
## 3 1 1 1 1 1 1 1 1
## 74 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
## 3 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 1
## 71 1 1 1 1 1 1 1 0
## 1 1 1 1 1 1 1 1 0
## 2 1 1 1 1 1 1 1 0
## 5 1 1 1 1 1 1 1 0
## 1 1 1 1 1 1 1 1 0
## 2 1 1 1 1 1 1 1 0
## 73 1 1 1 1 1 1 0 1
## 2 1 1 1 1 1 1 0 1
## 3 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
## 2 1 1 1 1 1 1 0 0
## 68 1 1 1 1 1 0 1 1
## 2 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 0
## 3 1 1 1 1 1 0 0 1
## 68 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 1
## 1 1 1 1 1 0 1 1 1
## 3 1 1 1 1 0 1 1 0
## 2 1 1 1 1 0 1 0 1
## 5 1 1 1 1 0 0 1 1
## 64 1 1 1 0 1 1 1 1
## 2 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
## 2 1 1 1 0 1 1 1 1
## 2 1 1 1 0 1 1 1 1
## 2 1 1 1 0 1 1 0 1
## 1 1 1 1 0 1 1 0 1
## 2 1 1 1 0 1 0 1 1
## 2 1 1 1 0 0 1 1 1
## 1 1 1 1 0 0 1 1 1
## 71 1 1 0 1 1 1 1 1
## 3 1 1 0 1 1 1 1 1
## 3 1 1 0 1 1 1 1 1
## 3 1 1 0 1 1 1 1 0
## 1 1 1 0 1 1 1 0 1
## 1 1 1 0 1 1 0 1 1
## 60 1 0 1 1 1 1 1 1
## 2 1 0 1 1 1 1 1 1
## 1 1 0 1 1 1 1 1 1
## 2 1 0 1 1 1 1 1 1
## 2 1 0 1 1 1 1 1 1
## 1 1 0 1 1 1 1 0 1
## 5 1 0 1 1 1 0 1 1
## 1 1 0 1 1 1 0 1 0
## 4 1 0 1 1 0 1 1 1
## 2 1 0 1 0 1 1 1 1
## 0 80 82 87 91 92 93 93
## Name ShoppingMall Cabin sutun1 sutun2 sutun3 Spa FoodCourt
## 3281 1 1 1 1 1 1 1 1 0
## 92 1 1 1 1 1 1 1 0 1
## 81 1 1 1 1 1 1 0 1 1
## 82 1 1 0 0 0 0 1 1 4
## 3 1 1 0 0 0 0 1 0 5
## 1 1 1 0 0 0 0 0 1 5
## 75 1 0 1 1 1 1 1 1 1
## 1 1 0 1 1 1 1 1 0 2
## 2 1 0 1 1 1 1 0 1 2
## 3 1 0 0 0 0 0 1 1 5
## 74 0 1 1 1 1 1 1 1 1
## 3 0 1 1 1 1 1 1 0 2
## 1 0 1 0 0 0 0 1 1 5
## 3 0 0 1 1 1 1 1 1 2
## 1 0 0 1 1 1 1 1 0 3
## 71 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 1 0 1 2
## 5 1 1 0 0 0 0 1 1 5
## 1 1 0 1 1 1 1 1 1 2
## 2 0 1 1 1 1 1 1 1 2
## 73 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 0 1 2
## 3 1 1 0 0 0 0 1 1 5
## 2 1 0 1 1 1 1 1 1 2
## 1 0 1 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 1 1 2
## 68 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 0 1 2
## 3 1 0 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 1 1 2
## 3 1 1 1 1 1 1 1 1 2
## 68 1 1 1 1 1 1 1 1 1
## 1 1 1 1 1 1 1 1 0 2
## 1 1 1 1 1 1 1 0 1 2
## 1 1 1 0 0 0 0 1 1 5
## 2 1 0 1 1 1 1 1 1 2
## 1 0 1 1 1 1 1 1 1 2
## 3 1 1 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 1 1 2
## 5 1 1 1 1 1 1 1 1 2
## 64 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 0 2
## 6 1 1 1 1 1 1 0 1 2
## 1 1 1 0 0 0 0 1 1 5
## 2 1 0 1 1 1 1 1 1 2
## 2 0 1 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 1 1 2
## 1 0 1 1 1 1 1 1 1 3
## 2 1 1 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 1 1 2
## 1 1 0 1 1 1 1 1 1 3
## 71 1 1 1 1 1 1 1 1 1
## 3 1 1 1 1 1 1 0 1 2
## 3 0 1 1 1 1 1 1 1 2
## 3 1 1 1 1 1 1 1 1 2
## 1 1 1 1 1 1 1 1 1 2
## 1 1 1 1 1 1 1 1 1 2
## 60 1 1 1 1 1 1 1 1 1
## 2 1 1 1 1 1 1 1 0 2
## 1 1 1 1 1 1 1 0 1 2
## 2 1 0 1 1 1 1 1 1 2
## 2 0 1 1 1 1 1 1 1 2
## 1 1 1 1 1 1 1 1 1 2
## 5 1 1 1 1 1 1 1 1 2
## 1 1 1 1 1 1 1 1 1 3
## 4 1 1 1 1 1 1 1 1 2
## 2 1 1 1 1 1 1 1 1 2
## 94 98 100 100 100 100 101 106 1417## PassengerId HomePlanet CryoSleep Cabin sutun1
## 0013_01: 1 Earth :2263 Mode :logical G/160/P: 8 F :1445
## 0018_01: 1 Europa:1002 FALSE:2640 B/31/P : 7 G :1222
## 0019_01: 1 Mars : 925 TRUE :1544 D/273/S: 7 E : 447
## 0021_01: 1 NA's : 87 NA's :93 E/228/S: 7 B : 362
## 0023_01: 1 G/748/S: 7 C : 355
## 0027_01: 1 (Other):4141 (Other): 346
## (Other):4271 NA's : 100 NA's : 100
## sutun2 sutun3 Destination Age
## 4 : 21 P :2084 55 Cancri e : 841 Min. : 0.00
## 31 : 18 S :2093 PSO J318.5-22: 388 1st Qu.:19.00
## 197 : 16 NA's: 100 TRAPPIST-1e :2956 Median :26.00
## 294 : 16 NA's : 92 Mean :28.66
## 228 : 14 3rd Qu.:37.00
## (Other):4092 Max. :79.00
## NA's : 100 NA's :91
## VIP RoomService FoodCourt ShoppingMall
## Mode :logical Min. : 0.0 Min. : 0.0 Min. : 0.0
## FALSE:4110 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## TRUE :74 Median : 0.0 Median : 0.0 Median : 0.0
## NA's :93 Mean : 219.3 Mean : 439.5 Mean : 177.3
## 3rd Qu.: 53.0 3rd Qu.: 78.0 3rd Qu.: 33.0
## Max. :11567.0 Max. :25273.0 Max. :8292.0
## NA's :82 NA's :106 NA's :98
## Spa VRDeck Name
## Min. : 0.0 Min. : 0.0 Berta Barnolderg: 2
## 1st Qu.: 0.0 1st Qu.: 0.0 Chrey Colte : 2
## Median : 0.0 Median : 0.0 Cints Erle : 2
## Mean : 303.1 Mean : 310.7 Cocors Cola : 2
## 3rd Qu.: 50.0 3rd Qu.: 36.0 Con Pashe : 2
## Max. :19844.0 Max. :22272.0 (Other) :4173
## NA's :101 NA's :80 NA's : 94Test Boşlukların doldurulması
## PassengerId HomePlanet CryoSleep Cabin sutun1
## 0013_01: 1 Earth :1761 Mode :logical C/31/S : 6 F :1158
## 0018_01: 1 Europa: 792 FALSE:2065 D/273/S: 6 G : 938
## 0019_01: 1 Mars : 728 TRUE :1216 G/591/P: 6 E : 348
## 0021_01: 1 G/597/P: 6 B : 283
## 0023_01: 1 G/748/S: 6 C : 278
## 0027_01: 1 A/4/S : 5 D : 194
## (Other):3275 (Other):3246 (Other): 82
## sutun2 sutun3 Destination Age VIP
## 4 : 19 P:1637 55 Cancri e : 649 Min. : 0.00 Mode :logical
## 34 : 13 S:1644 PSO J318.5-22: 301 1st Qu.:19.00 FALSE:3223
## 184 : 12 TRAPPIST-1e :2331 Median :26.00 TRUE :58
## 31 : 12 Mean :28.58
## 41 : 12 3rd Qu.:37.00
## 7 : 12 Max. :79.00
## (Other):3201
## RoomService FoodCourt ShoppingMall Spa
## 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 : 220.1 Mean : 440.9 Mean : 175.3 Mean : 296.7
## 3rd Qu.: 53.0 3rd Qu.: 78.0 3rd Qu.: 27.0 3rd Qu.: 49.0
## Max. :11567.0 Max. :20809.0 Max. :8292.0 Max. :15733.0
##
## VRDeck Name
## Min. : 0.0 Berta Barnolderg: 2
## 1st Qu.: 0.0 Chrey Colte : 2
## Median : 0.0 Cints Erle : 2
## Mean : 300.4 Con Pashe : 2
## 3rd Qu.: 34.0 Aard Backo : 1
## Max. :19086.0 Aard Kraie : 1
## (Other) :3271
##
## Variables sorted by number of missings:
## Variable Count
## PassengerId 0
## HomePlanet 0
## CryoSleep 0
## Cabin 0
## sutun1 0
## sutun2 0
## sutun3 0
## Destination 0
## Age 0
## VIP 0
## RoomService 0
## FoodCourt 0
## ShoppingMall 0
## Spa 0
## VRDeck 0
## Name 0