Ekonometri Projesi
Ilk Ders Yapılanlar
- R yükleme
- Rmarkdown başlangıç
- Web sayfası hazırlama
- İnternete yükleme
Formül
\[A=πr^2\] Burada:
A = Çemberin alanı
π = Pi (yaklaşık olarak 3.14159)
r = Çemberin yarıçapı
Türkiye’nin Son 10 Yılda Enflasyon Oranı
## Warning: package 'ggplot2' was built under R version 4.3.3# Enflasyon verilerini oluştur (örnek veri)
yillar <- seq(2012, 2021) # 2012'den 2021'e kadar olan yılları temsil eden bir vektör oluştur
enflasyon <- c(6.2, 7.4, 8.9, 7.5, 8.9, 8.1, 7.7, 11.1, 14.0, 17.1) # Her yıl için örnek enflasyon oranları
# Verileri bir veri çerçevesine dönüştür
enflasyon_verileri <- data.frame(Yil = yillar, Enflasyon = enflasyon)
# Grafik çizimi
ggplot(enflasyon_verileri, aes(x = Yil, y = Enflasyon)) +
geom_line(color = "blue") + # Çizgi grafiği oluştur, mavi renkte
geom_point(color = "red") + # Nokta grafiği oluştur, kırmızı renkte
labs(title = "Türkiye'nin Son 10 Yılda Enflasyon Oranı", x = "Yıl", y = "Enflasyon Oranı (%)") + # Grafik başlığı ve eksen etiketleri
theme_minimal() # Tema seçimi, daha basit bir görünüm
Makine Öğrenmesi
Makine öğrenmesi, bilgisayarların veri kullanarak öğrenmelerini sağlayan bir teknolojidir. Bu teknoloji, veriye dayalı olarak belirli görevleri gerçekleştirmek için algoritmalar kullanır. Örneğin, resimlerde nesneleri tanıma, e-postalardaki spam mesajlarını tespit etme veya finansal verileri analiz etme gibi görevlerde kullanılabilir. Makine öğrenmesi, veriye dayalı öğrenme ve tahmin yapma süreçlerini otomatikleştirir ve genellikle denetimli, denetimsiz veya pekiştirmeli öğrenme olarak gruplandırılır. Bu teknoloji, birçok endüstride büyük veri analitiği, yapay zeka ve otomasyon alanlarında kullanılır.
Kaggle Projesi
Spaceship Titanic Tanıtım
2912 yılına hoş geldiniz, veri bilimi becerilerinizin bir kozmik gizemi çözmek için gerektiği bir zamandayız. Dört ışık yılı uzaklıktan bir ileti aldık ve durum pek iç açıcı değil.
Uzay Gemisi Titanic, yaklaşık bir ay önce fırlatılan bir yıldızlararası yolcu gemisiydi. Neredeyse 13.000 yolcusuyla gemi, güneş sistemimizden üç yeni yaşanabilir ekzoplanete yolcu taşıyarak ilk seyahatini başlattı.
İlk hedefi sıcak 55 Cancri E olan Titanic, Alpha Centauri’yi dolaşırken bir toz bulutunun içinde gizlenmiş bir uzayzaman anomalisiyle çarpıştı. Ne yazık ki, adını 1000 yıl önceki gemiden alan bu gemi benzer bir kaderi paylaştı. Gemi bütünlüğünü korudu ancak yolcuların neredeyse yarısı alternatif bir boyuta taşındı! Kurtarma ekiplerine yardımcı olmak ve kayıp yolcuları kurtarmak için, geminin hasar görmüş bilgisayar sisteminden kurtarılan kayıtları kullanarak anomaliden etkilenen yolcuları tahmin etme görevi size veriliyor.
Onları kurtararak ve tarihi değiştirerek yardımcı olun!
Ortalama, standart sapma, kovaryans ve korelasyon nedir?
Ortalama:
Bir veri setindeki değerlerin toplamının veri setinin uzunluğuna bölünmesiyle elde edilen değerdir. Bir diğer deyişle, ortalama, veri setindeki değerlerin tipik veya genel bir özeti olarak düşünülebilir. Örneğin, bir sınıftaki öğrencilerin notlarının ortalama değeri, tüm öğrencilerin notlarının toplamının öğrenci sayısına bölünmesiyle bulunabilir.
Standart Sapma:
Bir veri setindeki değerlerin ortalamadan ne kadar uzaklıkta olduğunu ölçen bir istatistiksel ölçüdür. Standart sapma, bir veri setindeki değerlerin dağılımını gösterir. Küçük bir standart sapma, değerlerin ortalama etrafında daha yoğun bir şekilde toplandığını, büyük bir standart sapma ise değerlerin daha çok yayıldığını gösterir.
Kovaryans:
İki değişken arasındaki ilişkinin ne kadar değişkenlik gösterdiğini ölçen bir istatistiksel ölçüdür. Pozitif bir kovaryans, iki değişkenin birlikte arttığını gösterirken, negatif bir kovaryans ise bir değişken artarken diğerinin azaldığını gösterir. Ancak, kovaryansın değeri değişkenlerin birimlerine bağlı olduğu için, genellikle standartlaştırılmış bir ölçü olan korelasyon katsayısı tercih edilir.
Korelasyon:
İki değişken arasındaki ilişkinin yönünü ve gücünü ölçen bir istatistiksel ölçüdür. Korelasyon katsayısı, -1 ile +1 arasında değer alabilir. +1, tam bir pozitif korelasyonu; -1, tam bir negatif korelasyonu; 0 ise hiçbir ilişki olmadığını gösterir. Korelasyon, kovaryansın standartlaştırılmış halidir ve değişkenlerin birimlerine bağımsızdır, bu nedenle değişkenler arasındaki ilişkiyi daha iyi anlamak için kullanışlıdır. Bu terimler, istatistiksel analizde sıklıkla kullanılır ve veri setlerinin özelliklerini anlamak için önemlidir.
1.Ortalama (Mean): \[\bar{x} = \frac{\sum_{i=1}^{n}x_i}{n}\] 2.Standart Sapma (Standard Deviation): \[\text{standart sapma}=\sqrt{\frac{\sum_{i=1}^{n}(x_i - \bar{x})^2}{n-1}}\] 3.Kovaryans (Covariance): \[\text{Kovaryans}(X, Y) = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i-\bar{y})}{n}\] 4.Korelasyon (Correlation): \[\text{Korelasyon}(X, Y) = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2}\sqrt{\sum_{i=1}^{n}(y_i-\bar{y})^2}}\] Bu formüller, istatistiksel analizlerde kullanılan temel hesaplama yöntemleridir.
TRAİN VE TEST SET
“Train” ve “test” setleri, makine öğrenimi ve veri bilimi gibi alanlarda model eğitimi ve değerlendirmesi için kullanılan veri gruplarıdır.
Eğitim Seti (Train Set):
Eğitim seti, modelin eğitim aşamasında kullanılan veri grubudur. Bu veri seti, modelin doğru ilişkileri öğrenmesine ve girdi verilerine dayalı olarak bir hedef değişkeni tahmin etmesine yardımcı olur. Genellikle, eğitim seti üzerinde modelin performansını optimize etmek için çeşitli algoritmalar ve parametreler denenir.
Test Seti (Test Set):
Test seti, eğitilmiş modelin performansını değerlendirmek için kullanılan veri grubudur. Bu set, modelin daha önce görmediği verilere dayanarak ne kadar iyi tahmin yaptığını değerlendirmek için kullanılır. Modelin gerçek dünya verileri üzerinde nasıl performans göstereceğini tahmin etmek için test seti kullanılır. Test seti genellikle eğitim setinden ayrılmış bir veri parçasıdır ve modelin genelleme yeteneğini değerlendirmek için kullanılır. Bu setler, bir modelin başarısını ölçmek ve modelin gerçek dünya verileri üzerinde nasıl performans göstereceğini tahmin etmek için önemlidir. Model eğitiminde eğitim seti kullanılırken, modelin ne kadar iyi genelleme yaptığını belirlemek için test seti kullanılır.
Veri Seti Açıklaması
Bu yarışmada göreviniz, Spaceship Titanic’in uzay-zaman anomali ile çarpışması sırasında bir yolcunun başka bir boyuta taşınıp taşınmadığını tahmin etmektir. Bu tahminleri yapmanıza yardımcı olmak için, geminin hasar görmüş bilgisayar sisteminden kurtarılan kişisel kayıtlardan oluşan bir set verilmiştir.
Dosya ve Veri Alanı Açıklamaları
- train.csv - Yaklaşık olarak yolcuların üçte ikisi için (~8700) kişisel kayıtları içerir ve eğitim verisi olarak kullanılır.
- PassengerId - Her yolcu için benzersiz bir kimlik. Her kimlik gggg_pp şeklinde olup, gggg yolcuyla seyahat eden grubu ve pp ise gruptaki sıra numarasını gösterir. Bir grup içindeki kişiler genellikle aile üyeleridir, ancak her zaman değildir.
- HomePlanet - Yolcunun ayrıldığı gezegen, genellikle kalıcı ikametgah gezegenidir.
- CryoSleep - Yolcunun yolculuk boyunca askıya alınma seçeneğini gösterir. CryoSleep’te olan yolcular kabinlerine hapsedilir.
- Cabin - Yolcunun kaldığı kabin numarası, deck/num/side şeklinde verilir; side ya Port için P ya da Starboard için S olabilir.
- Destination - Yolcunun iniş yapacağı gezegen.
- Age - Yolcunun yaşı.
- VIP - Yolcunun yolculuk sırasında özel VIP hizmeti için ödeme yapmış olup olmadığını gösterir.
- RoomService, FoodCourt, ShoppingMall, Spa, VRDeck - Yolcunun Spaceship Titanic’in birçok lüks imkanında ne kadar harcama yaptığını gösterir.
- Name - Yolcunun adı ve soyadı.
- Transported - Yolcunun başka bir boyuta taşınıp
taşınmadığını gösterir. Bu hedef, tahmin etmeye çalıştığınız sütundur.
test.csv - Geriye kalan üçte birlik (~4300) yolcuların kişisel
kayıtlarını içerir ve test verisi olarak kullanılır. Göreviniz bu
setteki yolcuların Transported değerini tahmin etmektir.
- sample_submission.csv - Doğru formatta bir gönderim dosyası.
- PassengerId - Test setindeki her yolcu için bir kimlik.
- Transported - Hedef. Her yolcu için True veya False tahmini yapın.
veri <- separate(train, PassengerId, into = c("group_id","sequence_number"),sep = "_", remove = FALSE)veri <- veri %>%
mutate(beraber_yolculuk_yapanlar = ifelse(group_id) %in% tekrarlanan_gruplar , TRUE,FALSE)## # 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 1veri <- veri %>%
group_by(group_id) %>%
mutate(homeplanet = if_else(is.na(HomePlanet), "Earth", HomePlanet))veri <- veri %>%
group_by(group_id) %>%
mutate(DestinationNasiz = if_else(is.na(Destination), "Earth", Destination))## PassengerId group_id sequence_number HomePlanet
## Length:8693 Length:8693 Length:8693 Earth :4602
## Class :character Class :character Class :character Europa:2131
## Mode :character Mode :character Mode :character Mars :1759
## NA's : 201
##
##
##
## 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 55 Cancri e :1800 Min. : 0.00 Mode :logical
## Class :character PSO J318.5-22: 796 1st Qu.:19.00 FALSE:8291
## Mode :character TRAPPIST-1e :5915 Median :27.00 TRUE :199
## NA's : 182 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 beraber_yolculuk_yapanlar
## Min. : 0.0 Length:8693 Mode :logical Mode :logical
## 1st Qu.: 0.0 Class :character FALSE:4315 FALSE:8693
## Median : 0.0 Mode :character TRUE :4378
## Mean : 304.9
## 3rd Qu.: 46.0
## Max. :24133.0
## NA's :188
## TRUE FALSE homeplanet DestinationNasiz
## Mode:logical Mode :logical Length:8693 Length:8693
## TRUE:8693 FALSE:8693 Class :character Class :character
## Mode :character Mode :character
##
##
##
## veri <- veri %>%
group_by(group_id) %>%
mutate(homeplanetnasiz = if_else(is.na(HomePlanet), "Earth", HomePlanet))veri <- veri %>%
group_by(group_id) %>%
mutate(DestinationNasiz = if_else(is.na(Destination), "Earth", Destination))##
## Attaching package: 'magrittr'## The following object is masked from 'package:purrr':
##
## set_names## The following object is masked from 'package:tidyr':
##
## extract## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
veri <- veri %>%
group_by(group_id) %>%
mutate(RoomServiceNAsiz = if_else(is.na(RoomService), "0", RoomService))## PassengerId group_id sequence_number HomePlanet
## Length:8693 Length:8693 Length:8693 Earth :4602
## Class :character Class :character Class :character Europa:2131
## Mode :character Mode :character Mode :character Mars :1759
## NA's : 201
##
##
##
## 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 55 Cancri e :1800 Min. : 0.00 FALSE:8291
## Class :character PSO J318.5-22: 796 1st Qu.:19.00 TRUE : 199
## Mode :character TRAPPIST-1e :5915 Median :27.00 NA's : 203
## NA's : 182 Mean :28.83
## 3rd Qu.:38.00
## Max. :79.00
## NA's :179
## RoomService FoodCourt ShoppingMall Spa
## 0 :5577 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1 : 117 1st Qu.: 0.0 1st Qu.: 0.0 1st Qu.: 0.0
## 2 : 79 Median : 0.0 Median : 0.0 Median : 0.0
## 3 : 61 Mean : 458.1 Mean : 173.7 Mean : 311.1
## 4 : 47 3rd Qu.: 76.0 3rd Qu.: 27.0 3rd Qu.: 59.0
## (Other):2631 Max. :29813.0 Max. :23492.0 Max. :22408.0
## NA's : 181 NA's :183 NA's :208 NA's :183
## VRDeck Name Transported beraber_yolculuk_yapanlar
## Min. : 0.0 Length:8693 Mode :logical Mode :logical
## 1st Qu.: 0.0 Class :character FALSE:4315 FALSE:8693
## Median : 0.0 Mode :character TRUE :4378
## Mean : 304.9
## 3rd Qu.: 46.0
## Max. :24133.0
## NA's :188
## TRUE FALSE homeplanet DestinationNasiz
## Mode:logical Mode :logical Length:8693 55 Cancri e :1800
## TRUE:8693 FALSE:8693 Class :character Earth : 182
## Mode :character PSO J318.5-22: 796
## TRAPPIST-1e :5915
##
##
##
## homeplanetnasiz VIPNasiz RoomServiceNAsiz
## Earth :4803 FALSE:8494 0 :5758
## Europa:2131 TRUE : 199 1 : 117
## Mars :1759 2 : 79
## 3 : 61
## 4 : 47
## 5 : 28
## (Other):2603