## Veri seti: ToothGrowth
# Bu çalışmada R içinde yer alan ToothGrowth veri seti kullanılmıştır.ToothGrowth verisinde deneklere farklı #miktarlarda (0.5, 1, 2 mg) C vitamini verilmiş ve diş uzunlukları ölçülmüştür.
#Veri seti, deneklere verilen C vitamini dozu (dose) ve verilme yöntemi (supp)
#değişkenlerinin, deneklerin diş uzaması (len) üzerindeki etkisini göstermektedir.
data("ToothGrowth")
head(ToothGrowth)
## len supp dose
## 1 4.2 VC 0.5
## 2 11.5 VC 0.5
## 3 7.3 VC 0.5
## 4 5.8 VC 0.5
## 5 6.4 VC 0.5
## 6 10.0 VC 0.5
summary(ToothGrowth)
## len supp dose
## Min. : 4.20 OJ:30 Min. :0.500
## 1st Qu.:13.07 VC:30 1st Qu.:0.500
## Median :19.25 Median :1.000
## Mean :18.81 Mean :1.167
## 3rd Qu.:25.27 3rd Qu.:2.000
## Max. :33.90 Max. :2.000
#Gerekli paketleri yukleme
library(ggplot2)
library(ggExtra) # kutu grafikleri
library(ggpubr) # korelasyon katsayısı
library(corrplot)
## corrplot 0.95 loaded
#dose (C vitamini miktarı)ve len (dis uzunlugu) arasındaki iliskiyi gorsellestirme
#Aşağıdaki grafikte, doz (x ekseni) ile diş uzunluğu (y ekseni) arasındaki ilişki gösterilmektedir.
#Renkler, verilme yöntemini (OJ = Portakal suyu, VC = Askorbik asit) temsil eder.
# Temel scatter plot
p <- ggplot(ToothGrowth, aes(x = dose, y = len, color = supp)) +
geom_point(size = 3, alpha = 0.7) +
geom_smooth(method = "lm", se = FALSE, color = "black") +
stat_cor(aes(label = paste(..r.label.., ..p.label.., sep = "~`,`~")),
label.x = 1, label.y = 30, color = "black", size = 4) +
labs(
title = "C Vitamini Dozu ve Dis Uzaması",
x = "Doz (mg)",
y = "Dis Uzunlugu (len)",
color = "Destek Turu (supp)"
) +
theme_minimal(base_size = 14)
# Üst ve yan kutu grafikleri ekleme
ggMarginal(p, type = "boxplot", fill = "lightgreen", size = 5)
## Warning: The dot-dot notation (`..r.label..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(r.label)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
#Grafik, C vitamini dozu arttıkça diş uzunluğunun da arttığını göstermektedir.
#İlişki pozitif yönde ve doğrusal bir yapı sergilemektedir.
#Korelasyon katsayısı (r) oldukça yüksektir → güçlü bir pozitif ilişki.
#Portakal suyu (OJ) verilen deneklerde genellikle dişler daha fazla uzamıştır.
#Kutu grafikleri, veri dağılımındaki farklılıkları ve uç değerleri göstermektedir.
#Şimdi de saçılım nokta biçimlerini (shape, color, alpha) değiştirerek farklı veri gösterim türlerini deneme yapalım.
# 1. Ufak daireler, biraz saydam
p1 <- ggplot(ToothGrowth, aes(x = dose, y = len, color = supp)) +
geom_point(size = 2, alpha = 0.5, shape = 16) +
labs(title = "Nokta: Ufak Daire, Saydam") +
theme_minimal()
ggMarginal(p1, type = "boxplot", fill = "lightpink")
#Bu grafik, düşük saydamlık (alpha = 0.5) ve ufak daire şekli (shape = 16) kullanılarak oluşturulmuştur.
#Noktalar üst üste geldiğinde saydamlık sayesinde veri yoğunluğu daha rahat fark edilmektedir.
#Özellikle düşük dozlarda (0.5 mg civarı) gözlemler birbirine yakın olup, bu durum düşük dozun diş uzunluğu üzerindeki etkisinin sınırlı olduğunu göstermektedir.
#Doz arttıkça noktalar yukarı doğru dağılmakta, bu da pozitif ve güçlü bir ilişkiye işaret etmektedir.
# 2. Buyuk ücgen, daha opak
p2 <- ggplot(ToothGrowth, aes(x = dose, y = len, color = supp)) +
geom_point(size = 4, alpha = 0.9, shape = 17) +
labs(title = "Nokta: Buyuk ucgen, Opak") +
theme_minimal()
ggMarginal(p2, type = "boxplot", fill = "lightblue")
#Bu grafik, yüksek opaklık (alpha = 0.9) ve üçgen şekli (shape = 17) ile hazırlanmıştır.
#Noktaların belirgin olması, destek türleri arasındaki farkı (OJ ve VC) açıkça göstermektedir.
#Portakal suyu (OJ) grubundaki gözlemler genellikle daha yüksek diş uzunluğu değerlerine sahiptir.
#Bu da aynı dozda bile C vitamininin alınma biçiminin (destek türü) biyolojik etkiyi değiştirebileceğini düşündürmektedir.
# 3. Kareler, yarı saydam
p3 <- ggplot(ToothGrowth, aes(x = dose, y = len, color = supp)) +
geom_point(size = 3, alpha = 0.6, shape = 15) +
labs(title = "Nokta: Kare, Yarı Saydam") +
theme_minimal()
ggMarginal(p3, type = "boxplot", fill = "lightgreen")
#Kare biçimli noktalar (shape = 15) ve orta düzey saydamlık (alpha = 0.6) veri dağılımını dengeli biçimde göstermektedir.
#Doz arttıkça diş uzunluğunda düzenli bir artış görülmektedir; bu ilişki neredeyse doğrusal bir eğilimdedir.
#Veri noktalarının homojen dağılımı, C vitamini dozunun etkisinin tüm destek türlerinde benzer bir eğilimde olduğunu göstermektedir.
#Bu da genel olarak doz bağımlı bir biyolojik etkiyi desteklemektedir.
#len ve dose arasındaki korelasyonu inceleyelim.
cor_mtx <- cor(ToothGrowth[, c("len", "dose")])
corrplot(cor_mtx, method = "ellipse", type = "upper", tl.col = "black", tl.srt = 30)
#len ile dose arasındaki korelasyon yüksek ve pozitif çıkmıştır.
#Bu da doz miktarı arttıkça diş uzunluğunun arttığını bir kez daha doğrulamaktadır.
#Eliptik formda çizilen hücreler, ilişkinin gücünü ve yönünü net biçimde göstermektedir.
#Genel Sonuçlar
#İlişki yönü: Pozitif
#İlişki biçimi: Doğrusal
#İlişki gücü: Güçlü
# C vitamini dozu arttıkça diş uzunluğu belirgin biçimde artmaktadır.
#Portakal suyu (OJ) yöntemi, aynı dozda genellikle biraz daha yüksek diş uzaması sağlamaktadır.
#Bu sonuç, kobaylara verilen C vitamini miktarı arttıkça diş uzunluğunun da arttığını göstermektedir.
#C vitamini, alınan doz arttıkça daha fazla etki göstermekte; bu da C vitamininin biyolojik etkisinin doz bağımlı olduğunu ortaya koymaktadır.
#Öğrenme Günlüğüm
#Bu ödev sürecinde, veri görselleştirmenin değişkenler arasındaki ilişkiyi anlamada ne kadar önemli olduğunu daha iyi kavradım.
#Saçılım grafikleri ve kutu grafikleri kullanarak ilişkilerin biçimini (doğrusal veya doğrusal olmayan), yönünü (pozitif ya da negatif) ve gücünü (zayıf, orta, güçlü) yorumlamayı öğrendim.
#ToothGrowth veri seti üzerinden çalışırken, C vitamini dozunun deneklerin diş uzunluğu üzerindeki etkisinin doz bağımlı olduğunu gözlemledim.
#Korelasyon katsayısını hem sayısal hem görsel olarak incelemek, sayısal veriyi yorumlamayı kolaylaştırdı.
#Ayrıca ggplot2, ggExtra, ggpubr ve corrplot paketlerini kullanarak farklı grafik türleri denedim;
#özellikle nokta biçimleri (shape), saydamlık (alpha) ve renk (color) estetiğinin görsel yorumlamada ne kadar fark yarattığını görmüş oldum.