Bu derste, veri bilimi ve makine öğrenmesi sürecini baştan sona uygulayacağız.
Çalışma için Kaggle’daki Spaceship Titanic yarışması kullanılacak.
2. Amaç
Gerçek hayata benzer bir veri bilimi sürecini sistematik ve şeffaf şekilde deneyimlemek.
R programlama dilinde veri analizi ve makine öğrenmesi uygulama becerisi kazanmak.
3. Senaryo
Veri seti: Uzay gemisindeki yolculara ait bilgiler (yaş, kabin konumu, harcamalar, aile yapısı vb.).
Hedef değişken: Yolcunun “anomali sonucunda alternatif bir boyuta taşınıp taşınmadığı”.
Görev: Bu bilgileri kullanarak taşınma durumunu tahmin eden bir sınıflandırma modeli kurmak.
4. Karşılaşılacak Problemler
Eksik veriler ve veri temizleme
Değişken seçimi ve özellik mühendisliği
Farklı modellerin kurulması ve karşılaştırılması
Uygun değerlendirme ölçütlerinin seçilmesi (Accuracy, F1, ROC-AUC vb.)
5. Beklenen Çıktılar
Uçtan uca bir veri bilimi sürecinin deneyimlenmesi
R dilinde modelleme ve analiz becerilerinin gelişmesi
Kaggle yarışmasına uygun bir tahmin modeli ve submission dosyası hazırlanması
Bu yapı sayesinde dersin neden yapıldığını, nasıl ilerleyeceğini ve hangi çıktıları hedeflediğini çok net görebilirsin.
Kaggle Nedir?
Kaggle, veri bilimi ve makine öğrenmesi alanında dünyanın en çok kullanılan çevrimiçi platformlarından biridir. Bu platform, hem öğrenme hem de uygulama için geniş bir ekosistem sunar.
Kullanıcıların Yapabilecekleri
Yarışmalara Katılmak: Farklı zorluk seviyelerinde düzenlenen yarışmalarda gerçek veya kurgusal veri setleriyle çalışarak tahmin modelleri geliştirebilirler. Bu yarışmalar, hem rekabet hem de öğrenme fırsatı sağlar.
Veri Setlerini İncelemek: Kaggle, binlerce açık veri seti barındırır. Kullanıcılar bu verileri indirip analiz ederek kendi projelerini geliştirebilir.
Not Defterlerini (Notebooks) Kullanmak: Diğer katılımcıların paylaştığı kod örneklerini ve çözümleri inceleyerek yeni teknikler öğrenebilir, kendi çalışmalarına uyarlayabilirler.
Topluluk ve Forumlar: Tartışma bölümlerinde sorular sorabilir, deneyim paylaşabilir ve veri bilimi topluluğundan destek alabilirler.
Eğitim Materyalleri: Kaggle Learn gibi bölümler sayesinde kısa ve pratik derslerle veri bilimi, makine öğrenmesi ve yapay zekâ konularında kendini geliştirebilirler.
Neden Önemli?
Kaggle, kullanıcıların:
Becerilerini geliştirmesine (örneğin R veya Python’da model kurma),
Yeni teknikler öğrenmesine (örneğin derin öğrenme, feature engineering),
Gerçek dünya problemlerini çözmesine olanak tanır.
Kısacası Kaggle, hem öğrenme ortamı hem de uygulama sahası sunarak veri bilimi yolculuğunu daha eğlenceli ve öğretici hale getirir.
Spaceship Titanic Yarışması Açıklaması
Spaceship Titanic, Kaggle platformunda düzenlenen bir sınıflandırma yarışmasıdır. Bu yarışmada amaç, kurgusal bir uzay gemisindeki yolcuların yaşanan bir anomali sonucunda alternatif bir boyuta taşınıp taşınmadığını tahmin etmektir.
Veri Seti
Yarışmada verilen veri seti, yolculara ait birçok farklı bilgiyi içerir:
Demografik özellikler: Yaş, cinsiyet vb.
Seyahat detayları: Kabin konumu, hangi güvertede oldukları, aile yapısı.
Harcama alışkanlıkları: Yemek, alışveriş, spa, VR gibi hizmetlere yapılan harcamalar.
Bu özellikler, yolcunun taşınıp taşınmadığını belirleyen hedef değişken ile ilişkilendirilir.
Yarışmanın Amacı
Katılımcılar, bu verileri kullanarak makine öğrenmesi modelleri geliştirir.
Eğitim (train) veri seti → Modeli kurmak ve öğrenmek için kullanılır.
Test veri seti → Modelin performansını ölçmek için kullanılır.
Amaç, hangi yolcuların taşındığını en doğru şekilde tahmin eden modeli geliştirmektir.
Katılımcıların Deneyimleyeceği Adımlar
Bu yarışma, veri bilimi sürecinin tüm kritik aşamalarını deneyimleme fırsatı sunar:
Veri ön işleme: Eksik verileri doldurma, veriyi temizleme.
Özellik mühendisliği: Yeni değişkenler üretme, önemli özellikleri seçme.
Model seçimi: Lojistik regresyon, Random Forest, XGBoost gibi farklı algoritmaları deneme.
Model değerlendirme: Accuracy, F1-score, ROC-AUC gibi ölçütlerle performansı karşılaştırma.
Neden Önemli?
Spaceship Titanic yarışması, hem eğlenceli bir senaryo sunar hem de gerçek dünyadaki veri bilimi projelerinde karşılaşılan zorlukları birebir simüle eder. Bu sayede katılımcılar, teoriyi pratiğe dökme ve R veya Python gibi dillerde becerilerini geliştirme fırsatı bulur.
B) Proje Adımları
Bu projede aşağıdaki adımları takip edeceğiz:
Veri Setini Anlama: Veri setindeki değişkenleri ve hedef değişkeni inceleyerek, problemin doğasını anlayacağız.
Veri Ön İşleme: Eksik verileri ele alacak, kategorik değişkenleri dönüştürecek ve gerekli veri temizleme işlemlerini yapacağız.
Keşifsel Veri Analizi (EDA): Veriyi görselleştirerek ve istatistiksel özetler çıkararak, veri setindeki önemli desenleri ve ilişkileri keşfedeceğiz.
Modelleme: Farklı makine öğrenmesi algoritmalarını kullanarak modeller oluşturacak ve performanslarını karşılaştıracağız.
Model Değerlendirme: Modellerin doğruluk, hassasiyet, geri çağırma ve F1 skoru gibi değerlendirme metriklerini kullanarak performanslarını ölçeceğiz.
Sonuçların Yorumlanması: Elde edilen sonuçları yorumlayacak ve modelin gerçek dünya uygulamalarındaki potansiyelini tartışacağız.
Bu adımları takip ederek, veri bilimi sürecini baştan sona deneyimlemiş olacağız ve R programlama dilinde uygulama becerilerimizi geliştireceğiz.
C) Dosya ve Veri Alanı Açıklamaları
train.csv : Yolcuların yaklaşık üçte ikisinin (~8700) kişisel kayıtları, eğitim verisi olarak kullanılacak.
PassengerId: Her yolcu için benzersiz bir kimlik. Her kimlik, yolcunun seyahat ettiği grubu ve gruptaki numarasını belirtir gggg_pp . Gruptaki kişiler genellikle aile üyeleridir, ancak her zaman değil. ggggpp
HomePlanet: Yolcunun ayrıldığı gezegen, genellikle daimi ikamet ettiği gezegen.
Cabin: Yolcunun kaldığı kabin numarası. Şeklinde olup deck/num/side , İskele veya Sancak için side olabilir .PS
Destination :Yolcunun ineceği gezegen.
Age: Yolcunun yaşı.
VIP: Yolcunun seyahat sırasında özel VIP hizmeti için ödeme yapıp yapmadığı. RoomService, FoodCourt, ShoppingMall, Spa, - Uzay Gemisi Titanic’in birçok lüks olanağından VRDeckher birinde yolcunun faturalandırdığı tutar .
Name: Yolcunun adı ve soyadı.
Transported: Yolcunun başka bir boyuta taşınıp taşınmadığı. Bu, tahmin etmeye çalıştığınız hedef, yani sütun.
test.csv Transported :Test verisi olarak kullanılacak, yolcuların kalan üçte birine (yaklaşık 4300) ait kişisel kayıtlar. Göreviniz, bu kümedeki yolcular için değerini tahmin etmektir .
sample_submission.csv : Doğru formatta bir gönderim dosyası. PassengerId : Test setindeki her yolcunun kimliği. Transported : Hedef. Her yolcu için, ya True da tahmin edin False.
D) Veri Setini Anlama (Açıklama)
Bir veri bilimi projesine başlamadan önce yapılması gereken ilk adım, veri setini tanımak ve anlamaktır. Çünkü elimizdeki veriyi doğru şekilde kavramadan, modelleme sürecine geçmek sağlıklı olmaz.
library(tidyverse)
Warning: package 'tidyverse' was built under R version 4.4.3
Warning: package 'ggplot2' was built under R version 4.4.3
Warning: package 'tibble' was built under R version 4.4.3
Warning: package 'tidyr' was built under R version 4.4.3
Warning: package 'readr' was built under R version 4.4.3
Warning: package 'purrr' was built under R version 4.4.3
Warning: package 'dplyr' was built under R version 4.4.3
Warning: package 'forcats' was built under R version 4.4.3
Warning: package 'lubridate' was built under R version 4.4.3
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr 1.1.4 ✔ readr 2.1.6
✔ forcats 1.0.1 ✔ stringr 1.5.1
✔ ggplot2 4.0.0 ✔ tibble 3.3.0
✔ lubridate 1.9.4 ✔ tidyr 1.3.1
✔ purrr 1.1.0
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(readr)library(rmarkdown)
Warning: package 'rmarkdown' was built under R version 4.4.3
# Veri setini R ortamına alalımtrain <-read_csv("C:/Users/DELL/Downloads/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
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
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
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
View(test)
# Veri setini inceleyelimpaged_table(train)
paged_table(test)
Eğitim seti → Hem yolcu bilgilerini hem de taşınıp taşınmadığını içerir. Modeli öğrenmek için kullanılır.
Test seti → Sadece yolcu bilgilerini içerir, taşınıp taşınma bilgisi yoktur. Modelin tahmin gücünü ölçmek için kullanılır.
Bu ayrım, makine öğrenmesi projelerinin temel mantığını gösterir: önce bilinen etiketlerle (train) öğrenme yapılır, sonra bilinmeyen etiketler (test) tahmin edilir.
glimpse(), dplyr/tidyverse paketinde bulunan ve bir veri çerçevesinin (data frame veya tibble) yapısını hızlı, özet ve okunabilir şekilde incelememizi sağlayan bir fonksiyondur.
Ne yapar?
Veri setindeki tüm sütunların adlarını listeler.
Her sütunun veri tipini (örneğin: numeric, character, factor) gösterir.
Her sütunun ilk birkaç değerini ekrana yansıtır.
Neden kullanılır?
Veri setinin genel yapısını hızlıca görmek için.
Hangi değişkenlerin hangi türde olduğunu anlamak için.
Veri setini detaylı incelemeden önce ilk bakışta fikir edinmek için.
D.1) Değişken Türleri
Bir veri setiyle çalışırken, her sütunun hangi türde olduğunu bilmek çok önemlidir. Çünkü veri türü, hem veriyi nasıl işleyeceğimizi hem de hangi makine öğrenmesi modellerini kullanabileceğimizi belirler. glimpse() fonksiyonu bize bu türleri hızlıca gösterir.
dbl (Numeric / Sayısal): Ondalıklı sayıları ifade eder. Örnek: 23.7, 0.45, 117.0. Spaceship Titanic örneği:Age, RoomService, FoodCourt gibi harcama miktarları.
chr (Character / Karakter): Metin veya kategorik verileri içerir. Başlangıçta metin olarak gelir, ama modelleme için genellikle faktöre dönüştürülmesi gerekir. Örnek:PassengerId, HomePlanet, Cabin.
lgl (Logical / Mantıksal): Sadece TRUE veya FALSE değerleri alır. Örnek: Hedef değişkenimiz Transported (taşındı mı, taşınmadı mı).
int (Integer / Tam Sayı): Ondalıklı olmayan tam sayıları gösterir. Örnek: 1, 42, -7. Örnek:Age değişkeni bazen tam sayılar halinde olabilir.
fct (Factor / Kategori): Kategorik verilerin R’deki özel türüdür. chr türündeki değişkenler, modelleme için as.factor() ile dönüştürülür. Bu sayede kategoriler daha etkin şekilde kullanılır. Örnek:HomePlanet, Cabin gibi sınıflandırmaya uygun değişkenler.
Özetle:
Sayısal veriler → hesaplamalar için kullanılır.
Karakter veriler → kategorilere dönüştürülmelidir.
Mantıksal veriler → ikili sınıflandırma için idealdir.
Faktörler → kategorik değişkenleri modellemede en uygun formdur.
Bir veri setinde eksik değerler (NA), modelin doğruluğunu ve güvenilirliğini doğrudan etkileyebilir. Bu yüzden veri bilimi sürecinde ilk adımlardan biri, hangi sütunlarda ne kadar eksik veri olduğunu tespit etmektir.
Eğitim veri setindeki her sütun için eksik değerlerin sayısını hesaplar.
Çıktı, hangi değişkenlerde eksik verilerin yoğunlaştığını gösterir.
Bu sayede, veri ön işleme aşamasında hangi değişkenlere özel müdahale gerektiğini görürüz.
E.1) Veri Setindeki Değişkenlerin Türlerine Göre Değerlendirilmesi
Veri bilimi projelerinde, her değişkenin türünü doğru anlamak çok önemlidir. Çünkü sayısal, kategorik, mantıksal veya tarihsel değişkenler için uygulanacak işlemler birbirinden farklıdır. Bu adım, modelin başarısını doğrudan etkiler.
🔹 Sayısal Değişkenler (Numeric – dbl, int)
Eksik Değerler: Ortalama, medyan veya mod ile doldurulabilir. Alternatif olarak eksik kayıtlar çıkarılabilir.
Ölçeklendirme: Bazı algoritmalar (ör. lojistik regresyon, kNN, SVM) için normalizasyon veya standardizasyon gerekebilir.
Aykırı Değerler: Uç değerler tespit edilip düzeltilmeli veya gerekirse veri setinden çıkarılmalıdır.
🔹 Kategorik Değişkenler (chr, factor)
Eksik Değerler: En sık görülen kategori ile doldurulabilir veya “Bilinmiyor” gibi yeni bir kategori eklenebilir.
Dönüştürme: Karakter türündeki değişkenler, modelleme için faktöre (as.factor()) dönüştürülmelidir.
Kodlama: Bazı algoritmalar için one-hot encoding (dummy değişkenler) uygulanabilir.
🔹 Mantıksal Değişkenler (logical)
Eksik Değerler: TRUE veya FALSE ile doldurulabilir.
Dönüştürme: Modelleme aşamasında 0 ve 1 şeklinde sayısal değerlere dönüştürülebilir.
🔹 Tarih ve Zaman Değişkenleri
Dönüştürme: Yıl, ay, gün, saat gibi bileşenlere ayrılabilir. Zaman serisi analizlerinde uygun formatlara dönüştürülmelidir.
Eksik Değerler: Uygun yöntemlerle doldurulabilir (ör. ortalama tarih, en yakın gözlem).
🔹 Hedef Değişken (Dependent Variable)
Türüne Göre İşlem:
Sınıflandırma problemlerinde → kategorik olmalı.
Regresyon problemlerinde → sayısal olmalı.
Gerekirse uygun dönüşümler yapılmalıdır.
# Her değişken için unique değer sayısını gösterelimtrain %>%summarise(across(everything(), ~n_distinct(.)))
Eğitim veri setindeki her sütun için benzersiz değerlerin sayısını hesaplamak, veri ön işleme sürecinde kritik bir adımdır çünkü bu analiz bize her değişkenin kaç farklı kategori veya değer içerdiğini gösterir; özellikle kategorik değişkenlerde çok fazla benzersiz değer bulunması modelin karmaşıklığını artırarak aşırı öğrenme (overfitting) riskini yükseltebilir, bu nedenle hangi değişkenlerin doğrudan kullanılabileceğini, hangilerinin dönüştürülmesi veya gruplanması gerektiğini anlamamıza yardımcı olur ve böylece daha dengeli, verimli ve güçlü makine öğrenmesi modelleri geliştirmemizi sağlar.
Yukarıdaki kod, eğitim ve test veri setlerindeki belirli kategorik değişkenleri faktör (factor) türüne dönüştürür. mutate() fonksiyonu ile across() kullanılarak belirtilen sütunlar (HomePlanet, CryoSleep, Destination, VIP, ve Transported eğitim setinde; HomePlanet, CryoSleep, Destination, ve VIP test setinde) as.factor() fonksiyonu ile faktöre dönüştürülür. Bu dönüşüm, modelleme aşamasında bu değişkenlerin doğru şekilde işlenmesini sağlar, çünkü birçok makine öğrenmesi algoritması kategorik değişkenleri faktör olarak bekler.
summary(train)
PassengerId HomePlanet CryoSleep Cabin
Length:8693 Earth :4602 FALSE:5439 Length:8693
Class :character Europa:2131 TRUE :3037 Class :character
Mode :character Mars :1759 NA's : 217 Mode :character
NA's : 201
Destination Age VIP RoomService
55 Cancri e :1800 Min. : 0.00 FALSE:8291 Min. : 0.0
PSO J318.5-22: 796 1st Qu.:19.00 TRUE : 199 1st Qu.: 0.0
TRAPPIST-1e :5915 Median :27.00 NA's : 203 Median : 0.0
NA's : 182 Mean :28.83 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
Length:8693 FALSE:4315
Class :character TRUE :4378
Mode :character
summary() fonksiyonu, eğitim veri setindeki her bir değişken için hızlı ve kapsamlı bir özet sunar; sayısal değişkenlerde minimum, maksimum, ortalama, medyan ve çeyrek değerler gibi temel istatistikleri, kategorik değişkenlerde ise her kategoriye ait frekans dağılımını gösterir. Bu özet çıktılar sayesinde veri setinin genel yapısı ve özellikleri kolayca anlaşılır, eksik değerlerin varlığı, aykırı gözlemler veya dengesiz kategorik dağılımlar gibi sorunlar tespit edilerek veri ön işleme sürecinde hangi adımların atılması gerektiğine dair önemli ipuçları elde edilir.
PassengerId değişkeni, doğrudan bir kategorik değişken olarak kullanıldığında binlerce farklı kategori üretir ve bu durum modelin öğrenmesine katkı sağlamaz. Ancak bu değişkenin yapısı, aslında önemli bilgiler barındırır. Kaggle’ın tanımına göre PassengerId her yolcu için benzersizdir ve gggg_pp biçimindedir: burada gggg yolcunun birlikte seyahat ettiği grubu, pp ise grubun içindeki kişi sırasını gösterir. Bu gruplar çoğunlukla aile üyelerinden oluşsa da her zaman böyle olmak zorunda değildir. Dolayısıyla PassengerId’nin kendisini doğrudan modele sokmak yerine, içindeki bu alt bilgileri ayıklayarak yeni açıklayıcı değişkenler (örneğin “grup büyüklüğü”, “gruptaki kişi sırası”, “yalnız mı seyahat ediyor?” gibi) türetmek çok daha anlamlıdır. Bu yaklaşım, veri ön işleme sürecinde PassengerId’yi verimli bir şekilde kullanmamızı sağlar.
# PassengerId'den grup numarası ve kişi sırasını çıkaralımtrain <- train %>%separate(PassengerId, into =c("Grup_No", "Kisi_No"), sep ="_", remove =FALSE) %>%mutate(Grup_No =as.factor(Grup_No),Kisi_No =as.integer(Kisi_No))test <- test %>%separate(PassengerId, into =c("Grup_No", "Kisi_No"), sep ="_", remove =FALSE) %>%mutate(Grup_No =as.factor(Grup_No),Kisi_No =as.integer(Kisi_No))
Bu kod, PassengerId sütununu daha anlamlı hale getirmek için parçalayarak yeni değişkenler üretir. separate() fonksiyonu sayesinde, PassengerId’nin “gggg_pp” biçimindeki yapısı ikiye ayrılır: Grup_No yolcunun hangi gruba ait olduğunu, Kisi_No ise o grubun içindeki sırasını gösterir. Ardından mutate() ile Grup_No kategorik bir değişken (factor) haline getirilir, Kisi_No ise tam sayı (integer) türüne dönüştürülür. Böylece PassengerId’nin kendisini doğrudan kullanmak yerine, içindeki bilgiyi çıkarıp modelleme için daha açıklayıcı ve anlamlı özellikler elde etmiş oluruz. Bu yeni değişkenler, yolcuların aile veya grup ilişkilerini ve grup içindeki konumlarını yansıtarak tahmin modellerine ek değer kazandırır.
• Grup_No: Yolcunun ait olduğu seyahat grubunu gösterir.
• Kisi_No: Grubun içindeki kişi sırasını gösterir.
Bu yeni değişkenler, yolcuların birlikte seyahat eden gruplara ait olup olmadıklarını ve grup içindeki sıralarını ortaya koyarak veri setine ek anlam kazandırır. Böylece, yalnız seyahat eden yolcular ile grup halinde seyahat edenler arasında farklı davranış kalıpları olup olmadığını inceleyebiliriz. Bu tür bilgiler, modelin yolcuların taşınıp taşınmadığını tahmin etme gücünü artırabilir; çünkü aile veya grup ilişkileri, harcama alışkanlıkları ve taşınma olasılığı üzerinde etkili olabilecek önemli bir faktördür.
Bu kod, Grup_No değişkenini kullanarak yolcuları gruplar ve her grubun kaç kişiden oluştuğunu hesaplayarak Grup_Buyuklugu adlı yeni bir sütun ekler. group_by(Grup_No) ile yolcular aynı gruplar altında toplanır, mutate(Grup_Buyuklugu = n()) ifadesiyle her grubun yolcu sayısı belirlenir ve ungroup() ile gruplama işlemi sonlandırılır. Böylece her yolcu için ait olduğu grubun büyüklüğü bilgisi elde edilir. Bu yeni değişken, modelleme sürecinde önemli bir açıklayıcı özellik olarak kullanılabilir; çünkü grup büyüklüğü, yolcuların taşınma olasılığı üzerinde etkili olabilir. Örneğin, büyük gruplar genellikle birlikte hareket etme eğiliminde olduklarından, taşınma kararları da bu dinamikten etkilenebilir.
# Kişi yalnız mı seyahat ediyor?train <- train %>%mutate(Yalniz_Seyahat =ifelse(Grup_Buyuklugu ==1, 1, 0))test <- test %>%mutate(Yalniz_Seyahat =ifelse(Grup_Buyuklugu ==1, 1, 0))
Bu kod, yolcuların tek başına mı yoksa bir grup içinde mi seyahat ettiklerini göstermek için yeni bir değişken üretir. mutate() fonksiyonu ile Grup_Buyuklugu kontrol edilir; eğer grup büyüklüğü 1 ise yolcu yalnız seyahat ediyor demektir ve Yalniz_Seyahat sütununa 1 atanır, aksi durumda 0 atanır. Böylece her yolcu için “yalnız mı seyahat ediyor?” bilgisi elde edilir. Bu değişken, modelleme sürecinde önemli bir açıklayıcı özellik olarak kullanılabilir; çünkü yalnız seyahat eden yolcular ile grup halinde seyahat edenlerin taşınma olasılıkları farklılık gösterebilir ve bu fark, modelin tahmin gücünü artırabilir.
Bu kod, Grup_Buyuklugu değişkenini daha anlamlı hale getirmek için kategorik bir forma dönüştürür. case_when() fonksiyonu ile grup büyüklüğü 1, 2 veya 3 olan yolcular için bu değerler aynen korunur, ancak 4 ve üzeri yolcular için tek bir kategori olan “4+” atanır. Ardından mutate() ile bu yeni sütun Grup_Buyuklugu_Kat adıyla eklenir ve faktör (factor) türüne dönüştürülür. Böylece grup büyüklükleri sınıflandırılmış bir değişken haline gelir. Bu yaklaşım, modelleme sürecinde daha açıklayıcı bir özellik sağlar; çünkü farklı grup büyüklüklerinin taşınma olasılığı üzerinde farklı etkiler yaratıp yaratmadığı incelenebilir. Son adımda table() fonksiyonu kullanılarak bu kategorilerin frekans dağılımı görüntülenir ve veri setinde hangi grup büyüklüklerinin daha yaygın olduğu kolayca anlaşılır.
test <- test %>%mutate(Grup_Buyuklugu_Kat =case_when( Grup_Buyuklugu %in%c(1, 2, 3) ~as.character(Grup_Buyuklugu), Grup_Buyuklugu >=4~"4+" )) %>%mutate(Grup_Buyuklugu_Kat =factor(Grup_Buyuklugu_Kat))
Cabin değişkeni, yolcuların gemideki konumlarını ifade eden önemli bir bilgidir ve genellikle “Deck/Numara/Side” formatında kodlanmıştır. Burada:
Deck → Yolcunun bulunduğu güverteyi (katı) gösterir.
Numara → Kabinin sıra numarasını belirtir.
Side → Kabinin geminin hangi tarafında (örneğin “P” = Port, “S” = Starboard) olduğunu gösterir.
Bu yapı sayesinde yolcuların gemideki fiziksel konumları hakkında detaylı bilgi elde edilebilir. Modelleme sürecinde Cabin değişkeni doğrudan kullanılabileceği gibi, içindeki alt bileşenler ayrı sütunlara ayrılarak daha açıklayıcı özellikler (örneğin “güverte”, “taraf”, “yakınlık ilişkileri”) üretilebilir. Böylece yolcuların konumlarının taşınma olasılığı üzerindeki etkisi incelenebilir ve modelin performansı artırılabilir.
Kısacası, Cabin değişkeni yalnızca bir metin değil; doğru şekilde parçalandığında yolcuların gruplar halinde mi yoksa belirli bölgelerde mi yoğunlaştığını anlamamıza yardımcı olan güçlü bir açıklayıcı değişkendir.
# Cabin'den Deck, Numara ve Side bilgilerini çıkaralımtrain <- train %>%separate(Cabin, into =c("Deck", "Numara", "Side"), sep ="/", remove =FALSE) %>%mutate(Deck =as.factor(Deck),Side =as.factor(Side),Numara =as.integer(Numara))test <- test %>%separate(Cabin, into =c("Deck", "Numara", "Side"), sep ="/", remove =FALSE) %>%mutate(Deck =as.factor(Deck),Side =as.factor(Side),Numara =as.integer(Numara))
Bu kod, Cabin sütununu daha anlamlı hale getirmek için parçalayarak üç ayrı değişkene dönüştürür: Deck, Numara ve Side. separate() fonksiyonu ile Cabin’in “Deck/Numara/Side” formatı ayrıştırılır; ardından mutate() kullanılarak Deck ve Side kategorik (factor) türüne, Numara ise tam sayı (integer) türüne çevrilir. Böylece yolcuların gemideki konumları daha açık şekilde temsil edilir. Bu yeni değişkenler, modelleme sürecinde güçlü açıklayıcı özellikler olarak kullanılabilir; çünkü yolcuların bulunduğu güverte veya geminin hangi tarafında oldukları, taşınma olasılıklarını etkileyebilecek önemli faktörlerdir.
head(train %>%select(Cabin, Deck, Numara, Side))
# A tibble: 6 × 4
Cabin Deck Numara Side
<chr> <fct> <int> <fct>
1 B/0/P B 0 P
2 F/0/S F 0 S
3 A/0/S A 0 S
4 A/0/S A 0 S
5 F/1/S F 1 S
6 F/0/P F 0 P
Bu sayede üç yeni değişken elde ettik:
• Deck: Yolcunun kabin güvertesini gösterir.
• Numara: Kabin numarasını gösterir.
• Side: Kabinin gemideki tarafını (sol/sağ) gösterir.
Bu yeni değişkenler, yolcuların gemideki konumlarını daha ayrıntılı şekilde anlamamızı sağlar ve modelin tahmin gücünü artırabilecek önemli ipuçları sunar. Örneğin, bazı güverteler veya geminin belirli tarafları anomaliye karşı daha savunmasız olabilir; bu da yolcuların taşınma olasılığını farklılaştırabilir. Benzer şekilde, kabin numarası yolcunun gemideki fiziksel konumunu gösterdiği için, bulunduğu bölgeye bağlı olarak taşınma ihtimali üzerinde etkili olabilir. Dolayısıyla Deck, Numara ve Side gibi ayrıştırılmış değişkenler, modelleme sürecinde güçlü açıklayıcı özellikler olarak kullanılabilir ve yolcuların taşınma davranışlarını daha doğru şekilde tahmin etmeye katkı sağlar.
summary(train %>%select(Deck, Numara, Side))
Deck Numara Side
F :2794 Min. : 0.0 P :4206
G :2559 1st Qu.: 167.2 S :4288
E : 876 Median : 427.0 NA's: 199
B : 779 Mean : 600.4
C : 747 3rd Qu.: 999.0
(Other): 739 Max. :1894.0
NA's : 199 NA's :199
table(train$Deck)
A B C D E F G T
256 779 747 478 876 2794 2559 5
# A, D ve T güvertelerinde çok az yolcu var, bunları "Diğer" kategorisine alalımtrain <- train %>%mutate(Deck =fct_collapse(Deck,Diger =c("A", "D", "T")))test <- test %>%mutate(Deck =fct_collapse(Deck,Diger =c("A", "D", "T")))
Bu kod, Deck değişkeninde çok az gözleme sahip olan “A”, “D” ve “T” kategorilerini tek bir grup altında toplayarak “Diğer” adlı yeni bir kategori oluşturur. Bu işlem fct_collapse() fonksiyonu ile yapılır ve nadir görülen kategorilerin model üzerindeki olumsuz etkisini azaltmayı amaçlar. Çünkü az sayıda örneğe sahip kategoriler, modelin öğrenme sürecinde gürültü yaratabilir ve genelleme yeteneğini düşürebilir. Bu nedenle, veri ön işleme aşamasında bu tür kategorilerin birleştirilmesi sık kullanılan bir yöntemdir. Sonuç olarak, Deck değişkeni daha dengeli bir dağılıma kavuşur ve modelin performansı ile genelleme gücü artırılabilir.
summary(train$Deck)
Diger B C E F G NA's
739 779 747 876 2794 2559 199
Name değişkeni, yolcuların isimlerini içerir ve genellikle kişisel bilgileri temsil eder. Bu değişken, doğrudan modelleme aşamasında kullanılmaktan ziyade, içindeki bilgileri çıkartarak yeni açıklayıcı değişkenler (features) oluşturmak için kullanılabilir.
# Name ad ve soyad bilgilerini çıkaralımtrain <- train %>%separate(Name, into =c("Ad", "Soyad"), sep =" ", remove =FALSE)test <- test %>%separate(Name, into =c("Ad", "Soyad"), sep =" ", remove =FALSE)
Bu kod, Name sütununu daha anlamlı hale getirmek için parçalayarak iki ayrı değişken üretir: Soyad ve Ad. separate() fonksiyonu kullanılarak isimler boşluk karakterine göre ayrıştırılır; böylece her yolcunun soyadı ve adı ayrı sütunlarda tutulur. Bu yeni değişkenler, modelleme sürecinde açıklayıcı özellikler olarak değerlendirilebilir. Örneğin, belirli soyadlara sahip yolcuların taşınma olasılıkları farklılık gösterebilir ya da bazı adlar demografik özellikler hakkında ipuçları verebilir. Kısacası, Name sütununun parçalanması yolcuların kimlik bilgilerini daha detaylı incelememizi sağlar ve modelin tahmin gücünü artırabilecek ek bilgiler sunar.
• Soyad: Yolcunun soyadını gösterir.
• Ad: Yolcunun adını gösterir.
Bu yeni değişkenler, yolcuların isimlerinden ek anlam çıkarmamıza olanak tanır ve modelin performansını güçlendirebilir. Soyadlar, belirli demografik gruplarla veya aile bağlarıyla ilişkilendirilebilirken, adlar kültürel ya da coğrafi kökenler hakkında ipuçları verebilir. Böylece isimlerden türetilen bilgiler, yolcuların sosyal veya kültürel özelliklerini yansıtarak taşınma olasılıklarını etkileyebilecek ek açıklayıcı değişkenler sağlar. Kısacası, Name sütununun parçalanması yalnızca kimlik bilgilerini ayırmakla kalmaz, aynı zamanda modelin daha doğru ve kapsamlı tahminler yapmasına katkıda bulunur.
E.3) Boş Değerlerin Doldurulması
Eksik (NA) değerlerin doldurulması, veri ön işleme sürecinde modelin güvenilirliğini ve performansını doğrudan etkileyen kritik bir adımdır. Eksik veriler, hem istatistiksel analizlerde hem de makine öğrenmesi modellerinde hatalı veya yanıltıcı sonuçlara yol açabilir. Bu nedenle, uygun yöntemlerle doldurulmaları gerekir. Sayısal değişkenlerde ortalama, medyan veya regresyon temelli yöntemlerle doldurma yapılabilirken; kategorik değişkenlerde en sık görülen kategori veya “Bilinmiyor” gibi yeni bir kategori ekleme tercih edilebilir. Zaman serisi verilerinde ise ileri/geri doldurma (forward/backward fill) veya interpolasyon yöntemleri kullanılabilir. Eksik değerlerin doğru şekilde ele alınması, veri setinin bütünlüğünü korur ve modelin genelleme yeteneğini artırarak daha sağlıklı tahminler yapılmasına olanak tanır.
HomePlanet değişkenindeki eksik değerlerin doldurulması, veri ön işleme sürecinde kritik bir adımdır çünkü yolcuların gezegen bilgisi modelin tahmin gücünü doğrudan etkileyebilir. Bu eksik değerleri doldururken basitçe en sık görülen kategoriyi atamak yerine, yolcuların diğer özelliklerinden yararlanmak daha anlamlıdır. Örneğin:
Cabin bilgisi: Belirli güverteler veya taraflar, genellikle belirli gezegenlerden gelen yolcularla ilişkilidir.
Destination bilgisi: Yolcuların gitmek istedikleri hedefler, geldikleri gezegen hakkında ipuçları verebilir.
Grup bilgisi (PassengerId’den türetilen): Aynı gruptaki yolcuların çoğu aynı gezegenden geliyor olabilir, bu da eksik değeri doldurmak için güçlü bir ipucu sağlar.
Bu tür ilişkilerden yararlanarak eksik HomePlanet değerleri için en olası gezegen atanabilir. Böylece doldurma işlemi daha tutarlı olur ve modelin genelleme yeteneği artar.
Bu kod, Grup_No değişkenine göre yolcuları gruplandırarak her grup için özet istatistikler üretir. summarize() fonksiyonu ile grup içindeki toplam yolcu sayısı (grup_kac_kisi), HomePlanet bilgisi eksik olan yolcu sayısı (kacinin_HP_bilgisi_bos), HomePlanet bilgisi dolu olan yolcu sayısı (kacinin_HP_bilgisi_dolu) ve grupta kaç farklı HomePlanet bulunduğu (Grup_kac_farkli_HP) hesaplanır. Ardından ungroup() ile gruplama kaldırılır. Bu özet bilgiler, özellikle HomePlanet değişkenindeki eksik değerleri doldurmak için yol gösterici olabilir; çünkü aynı gruptaki yolcuların çoğunlukla aynı gezegenden gelmesi beklenir. Böylece eksik değerler, grubun baskın gezegen bilgisine göre daha güvenilir şekilde doldurulabilir ve veri setinin bütünlüğü korunarak modelin performansı artırılabilir.
grup_0 <- Home_Planet_GrupNO_bilgi %>%filter(Grup_kac_farkli_HP ==0)# Bu gruplarda kaç tane dolu HP var?sum(grup_0$kacinin_HP_bilgisi_dolu)
[1] 0
Bu adım, Home_Planet_GrupNO_bilgi veri setinde Grup_kac_farkli_HP = 0 olan grupları filtreleyerek grup_0 adlı yeni bir veri seti oluşturur. Bu filtreleme sonucunda elde edilen 110 grup, gerçekten hiç HomePlanet kaydı bulunmayan grupları temsil eder.
Bunun anlamı:
Bu gruplarda hiçbir yolcu için HomePlanet bilgisi mevcut değildir.
Dolayısıyla, eksik değer doldurma sürecinde bu gruplar için doğrudan grup içi çoğunluk veya baskın gezegen bilgisine dayanarak doldurma yapmak mümkün değildir.
Bu tür gruplar için alternatif stratejiler gerekir: örneğin Destination, Cabin veya benzer yolcuların özelliklerinden faydalanarak en olası gezegenin atanması.
Kısacası, bu analiz bize hangi grupların tamamen eksik olduğunu net biçimde gösterir ve eksik değer doldurma stratejisini daha bilinçli şekilde tasarlamamıza yardımcı olur.
Bu adım, Home_Planet_GrupNO_bilgi veri setinde Grup_kac_farkli_HP = 1 olan grupları filtreleyerek grup_1 adlı yeni bir veri seti oluşturur. Bu gruplar, şu yapıyı temsil eder:
Grup içinde bazı yolcuların HomePlanet bilgisi eksiktir (NA).
Ancak aynı grupta en az bir yolcunun HomePlanet bilgisi doludur.
Dahası, grupta yalnızca tek bir farklı HomePlanet gözlenmiştir.
📌 Bu durum, eksik değer doldurma sürecinde çok güçlü bir ipucu sağlar:
Aynı gruptaki yolcuların büyük olasılıkla aynı gezegenden geldiği varsayılabilir.
Dolayısıyla eksik HomePlanet değerleri, gruptaki dolu olan gezegen bilgisine göre doldurulabilir.
Bu yöntem, hem veri bütünlüğünü korur hem de modelin daha doğru tahminler yapmasına katkı sağlar.
# Bu grupların içindeki HomePlanet değerlerini görelimtable(grup_1$Grup_kac_farkli_HP, useNA ="ifany")
1
6107
Yukarıdaki kod, grup_1 veri setindeki Grup_kac_farkli_HP değişkeninin frekans dağılımını görüntüler. table() fonksiyonu kullanılarak, bu grupların içindeki HomePlanet değerlerinin dağılımı ve eksik (NA) değerlerin varlığı hakkında bilgi edinilir. useNA = “ifany” parametresi, eğer varsa eksik değerlerin de tabloya dahil edilmesini sağlar. Bu analiz, eksik HomePlanet değerlerini doldurmak için kullanılabilecek en olası gezegenleri belirlemeye yardımcı olabilir.
Bir grupta dolu HomePlanet varsa tüm üyelerde aynıdır. Aynı grupta iki farklı gezegen asla görülmemiştir. Bu nedenle, eksik HomePlanet değerlerini doldurmak için grup içindeki dolu HomePlanet değerini kullanabiliriz.
# Doldurmadan önce/sonra kaç NA vardı görmek istersen:sum(is.na(train$HomePlanet)) # şu anki NA sayısı
[1] 201
# Her grup için referans HomePlanet bilgisini çıkaralımhp_referans_train <- train %>%group_by(Grup_No) %>%summarise(Grup_HP = HomePlanet[!is.na(HomePlanet)][1], # gruptaki ilk dolu HomePlanet.groups ="drop" )hp_referans_test <- test %>%group_by(Grup_No) %>%summarise(Grup_HP = HomePlanet[!is.na(HomePlanet)][1], # gruptaki ilk dolu HomePlanet.groups ="drop" )
head(hp_referans_train)
# A tibble: 6 × 2
Grup_No Grup_HP
<fct> <fct>
1 0001 Europa
2 0002 Earth
3 0003 Europa
4 0004 Earth
5 0005 Earth
6 0006 Earth
Bu işlemde yolcular Grup_No değişkenine göre gruplandırılır ve her grup için eksik olmayan ilk HomePlanet değeri çıkarılarak hp_referans_train veri seti oluşturulur; böylece her grup için güvenilir bir “referans gezegen” bilgisi elde edilir. summarise() fonksiyonu bu değeri belirlerken .groups = "drop" parametresi gruplama yapısını kaldırır ve sonuç düz bir tablo haline gelir. Bu referans gezegen bilgisi, aynı grupta eksik HomePlanet değeri bulunan yolcular için doldurma sürecinde kullanılabilir; çünkü aynı gruptaki yolcuların genellikle aynı gezegenden geldiği varsayılır ve bu yöntem eksik verilerin tutarlı şekilde tamamlanmasına yardımcı olur.
# Orijinal train veri seti ile bu referans bilgiyi birleştirelimtrain <- train %>%left_join(hp_referans_train, by ="Grup_No")test <- test %>%left_join(hp_referans_test, by ="Grup_No")
# A tibble: 6 × 3
PassengerId HomePlanet Grup_HP
<chr> <fct> <fct>
1 0001_01 Europa Europa
2 0002_01 Earth Earth
3 0003_01 Europa Europa
4 0003_02 Europa Europa
5 0004_01 Earth Earth
6 0005_01 Earth Earth
Bu adımda amaç, her yolcunun ait olduğu grubun referans HomePlanet bilgisini orijinal veri setine eklemektir. Bunun için left_join() fonksiyonu kullanılarak train ve test veri setleri, sırasıyla hp_referans_train ve hp_referans_test ile Grup_No üzerinden birleştirilir. Böylece her yolcuya, grubundaki dolu HomePlanet değerinden türetilen Grup_HP bilgisi atanır. Bu ek bilgi, özellikle eksik HomePlanet değerlerini doldurmak için güçlü bir kaynak sağlar; çünkü aynı gruptaki yolcuların genellikle aynı gezegenden geldiği varsayılır. Sonuç olarak, veri setleri daha bütünlüklü hale gelir ve modelleme sürecinde daha güvenilir tahminler yapılmasına katkı sağlanır.
# Eksik HomePlanet değerlerini dolduralımtrain <- train %>%mutate(HomePlanet =coalesce(HomePlanet, Grup_HP)) %>%select(-Grup_HP)test <- test %>%mutate(HomePlanet =coalesce(HomePlanet, Grup_HP)) %>%select(-Grup_HP) # artık gerek yok, silebiliriz
Bu adımda yapılan işlem, train ve test veri setlerindeki eksik HomePlanet değerlerini sistematik biçimde doldurmaktır. mutate() fonksiyonu içinde kullanılan ifelse() sayesinde, HomePlanet bilgisi eksik olan yolcular için gruplarından gelen referans HomePlanet (Grup_HP) değeri atanır; eğer yolcunun HomePlanet bilgisi zaten doluysa mevcut değer korunur. Böylece her yolcu için eksik gezegen bilgisi güvenilir bir şekilde tamamlanmış olur. Sonrasında select(-Grup_HP) ile artık yalnızca doldurma sürecinde kullanılan geçici sütun veri setinden çıkarılır. Bu yaklaşım, veri setinin bütünlüğünü korur ve modelleme aşamasında eksik verilerin oluşturabileceği hataları önleyerek daha sağlam tahminler yapılmasına katkı sağlar.
Bu kod, yolcuları Soyad değişkenine göre gruplandırarak her soyad için özet istatistikler üretir. summarise() fonksiyonu sayesinde, aynı soyada sahip yolcuların toplam sayısı (soyad_kac_kisi), grupta görülen farklı HomePlanet sayısı (kac_farkli_HP) ve eksik değerler hariç tutulmak üzere dolu HomePlanet kayıtlarının birleşik listesi (hangi_HP) hesaplanır. na.rm = TRUE parametresi, eksik (NA) değerlerin bu hesaplamalara dahil edilmemesini sağlar. Son olarak .groups = "drop" ile gruplama kaldırılarak sonuç düz bir tabloya dönüştürülür.
table(soyad_planet_analizi$kac_farkli_HP)
0 1 3
7 2210 1
Soyad bazında yapılan analizde 2210 farklı soyadın her birinin yalnızca tek bir gezegene ait olduğu görülmüş, bu da soyadın aile yapısını doğru şekilde temsil ettiğini ve eksik HomePlanet değerlerini doldurmak için güvenilir bir değişken olduğunu göstermiştir. Tek istisna, Soyad = NA olan yolcuların bulunduğu gruptur; bu grup üç farklı gezegenden gelen kişileri içerdiği için aslında bir aileyi temsil etmez. Dolayısıyla gerçek soyadı olan yolcular arasında herhangi bir tutarsızlık bulunmamaktadır.
# A tibble: 6 × 2
Soyad Soyad_HP
<chr> <chr>
1 Acobson Earth
2 Acobsond Earth
3 Adavisons Earth
4 Adkinson Earth
5 Admingried Europa
6 Aginge Europa
rain <- train %>%left_join(hp_referans_soyad, by ="Soyad")test <- test %>%left_join(hp_referans_soyad, by ="Soyad")
# Train için temiz ve garantili işlemtrain <- train %>%# Varsa eski hatalı sütunları temizleyelim (hata vermemesi için select(any_of...))select(-any_of(c("Soyad_HP", "Soyad_HP.x", "Soyad_HP.y"))) %>%# Yeniden temiz bir join yapalımleft_join(hp_referans_soyad, by ="Soyad") %>%# HomePlanet'i güncelle (Soyad_HP sütunu join'den sonra gelecektir)mutate(HomePlanet =coalesce(as.character(HomePlanet), as.character(Soyad_HP))) %>%# Yardımcı sütunu siliyoruzselect(-Soyad_HP)# Test için de aynısını yapalımtest <- test %>%select(-any_of(c("Soyad_HP", "Soyad_HP.x", "Soyad_HP.y"))) %>%left_join(hp_referans_soyad, by ="Soyad") %>%mutate(HomePlanet =coalesce(as.character(HomePlanet), as.character(Soyad_HP))) %>%select(-Soyad_HP)
Bu kod, hem train hem de test veri setlerinde eksik HomePlanet değerlerini soyad bazlı referans bilgisiyle doldurmak için uygulanır; önce olası hatalı sütunlar temizlenir, ardından left_join() ile her yolcunun soyadına karşılık gelen referans gezegen bilgisi (Soyad_HP) veri setine eklenir, mutate() ve coalesce() kullanılarak eksik HomePlanet değerleri bu referansla tamamlanır, dolu olanlar ise korunur, son adımda ise geçici Soyad_HP sütunu silinerek veri seti sadeleştirilir; böylece eksik veriler güvenilir şekilde doldurulmuş ve veri seti modelleme için tutarlı hale getirilmiş olur.
# Doldurduktan sonra kaç NA kaldığını görelim.sum(is.na(train$HomePlanet))
# A tibble: 7 × 6
Deck grup_kac_kisi kacinin_HP_bilgisi_bos kacinin_HP_bilgisi_dolu
<fct> <int> <int> <int>
1 Diger 739 2 737
2 B 779 0 779
3 C 747 1 746
4 E 876 1 875
5 F 2794 6 2788
6 G 2559 2 2557
7 <NA> 199 0 199
# ℹ 2 more variables: Grup_kac_farkli_HP <int>, hangi_HP <chr>
Bu kod, yolcuları Deck değişkenine göre gruplandırarak her güverte için özet istatistikler çıkarır. summarize() fonksiyonu ile her güvertede toplam yolcu sayısı, HomePlanet bilgisi eksik olanların ve dolu olanların sayısı, farklı gezegen sayısı ve dolu gezegenlerin birleşik listesi hesaplanır; na.rm = TRUE eksik değerlerin bu hesaplamalara dahil edilmemesini sağlar. Sonrasında ungroup() ile gruplama kaldırılarak sonuç düz bir tabloya dönüştürülür. Bu analiz, güverte bazında HomePlanet dağılımını anlamamıza yardımcı olur. Örneğin, B ve C güvertelerinde yolcuların tamamı Europa gezegeninden gelirken, G güvertesinde yolcuların tamamı Earth gezegenindendir. Bu tutarlılık, eksik HomePlanet değerlerini doldururken güverte bilgisini güvenilir bir referans olarak kullanmamızı sağlar.
# A tibble: 3 × 2
Deck Deck_HP
<fct> <chr>
1 B Europa
2 C Europa
3 G Earth
# Orijinal train veri seti ile bu referans bilgiyi birleştirelimtrain <- train %>%left_join(hp_referans_deck, by ="Deck")test <- test %>%left_join(hp_referans_deck, by ="Deck")# Dolduralımtrain <- train %>%mutate(HomePlanet =coalesce(HomePlanet, Deck_HP)) %>%select(-Deck_HP)test <- test %>%mutate(HomePlanet =coalesce(HomePlanet, Deck_HP)) %>%select(-Deck_HP) # artık gerek yok, silebiliriz
# Doldurduktan sonra kaç NA kaldığını görelim.sum(is.na(train$HomePlanet))
Bu kod, train ve test veri setlerinde eksik olan HomePlanet değerlerini sistematik biçimde doldurmak için kullanılır. mutate() fonksiyonu içinde coalesce() sayesinde, eğer bir yolcunun HomePlanet bilgisi boşsa ona varsayılan olarak “Earth” değeri atanır; eğer zaten doluysa mevcut değer korunur. Böylece tüm eksik kayıtlar tamamlanmış olur ve veri setlerinde HomePlanet değişkeni eksiksiz hale getirilir. Bu işlem, modelleme sürecinde eksik verilerin yaratabileceği sorunları ortadan kaldırarak daha tutarlı ve güvenilir sonuçlar elde edilmesine yardımcı olur.
Destination değişkeni yolcuların varış noktalarını ifade eder ve bazı eksik değerlere sahiptir; bu eksik değerleri doldururken basitçe en sık görülen destinasyonu atamak yerine yolcuların diğer özelliklerinden yararlanmak daha anlamlıdır. Örneğin, bir yolcunun geldiği HomePlanet ile gitmek istediği destinasyon arasında güçlü bir ilişki bulunabilir veya bulunduğu Cabin bilgisi belirli varış noktalarıyla daha sık eşleşebilir. Bu tür ipuçları kullanılarak eksik Destination değerleri en olası seçenekle doldurulabilir, böylece veri seti daha tutarlı hale gelir ve modelleme sürecinde daha güvenilir sonuçlar elde edilir.
Bu kod, yolcuları Grup_No değişkenine göre gruplandırarak her grup için Destination bilgisine dair özet istatistikler üretir: toplam yolcu sayısı, eksik ve dolu kayıtların sayısı, farklı destinasyonların sayısı ve dolu değerlerin listesi. na.rm = TRUE ile eksik değerler hesaplamalardan çıkarılır, ungroup() ile gruplama kaldırılır. Ancak bu özet bilgiler yalnızca mevcut durumun fotoğrafını verir; hangi yolcunun eksik değerinin hangi destinasyonla doldurulması gerektiğini doğrudan çözmez. Çünkü bazı gruplarda birden fazla farklı destinasyon bulunabilir veya eksik değerlerin hangi destinasyona ait olduğu belirsiz kalabilir. Dolayısıyla bu analiz, veri setindeki eksiklikleri anlamak için faydalı olsa da, eksik Destination değerlerini güvenilir şekilde doldurmak için tek başına yeterli değildir; bunun için ek değişkenler (örneğin HomePlanet, Cabin, Soyad) veya grup içi baskın destinasyon bilgisi gibi daha güçlü ipuçlarına ihtiyaç vardır.
Bu kod, rpart paketini kullanarak yolcuların Destination (varış noktası) değişkenini tahmin etmeye yönelik bir karar ağacı modeli kurar. Modelde açıklayıcı değişkenler olarak HomePlanet, Deck, Side, Age, CryoSleep, VIP, RoomService, FoodCourt, ShoppingMall, Spa, VRDeck, Grup_Buyuklugu_Kat ve Yalniz_Seyahat yer alır. Eğitim süreci yalnızca Destination bilgisi eksik olmayan yolcular üzerinde gerçekleştirilir (filter(!is.na(Destination))), böylece model eksik değerlerden etkilenmez. method = "class" parametresi bunun bir sınıflandırma problemi olduğunu belirtirken, cp = 0.00221 parametresi karar ağacının karmaşıklığını kontrol ederek aşırı dallanmayı (overfitting) önler. Sonuçta elde edilen model, yolcuların diğer özelliklerine dayanarak eksik Destination değerlerini doldurmak veya yeni yolcular için varış noktası tahmini yapmak amacıyla kullanılabilir.
Bu kod, oluşturulan karar ağacı (dt_model) yardımıyla train veri setindeki yolcular için eksik Destination değerlerini tahmin etmeyi amaçlar. predict() fonksiyonu kullanılarak her yolcu için modelin öngördüğü varış noktası hesaplanır ve type = "class" parametresi sayesinde sınıflandırma problemine uygun olarak doğrudan sınıf etiketleri döndürülür. Elde edilen tahminler, veri setine Destination_tree_pred adlı yeni bir sütun olarak eklenir. Böylece eksik Destination bilgisi olan yolcular için modelin tahmin ettiği değerler kullanılabilir ve veri seti daha eksiksiz, tutarlı hale getirilerek sonraki analiz ve modelleme adımlarında güvenilirlik artırılır.
Bu kod, karar ağacı modeliyle test veri setindeki yolcular için Destination tahminleri üretir; predict() fonksiyonu type = "class" parametresiyle sınıf etiketlerini döndürür ve sonuçlar Destination_tree_pred sütunu olarak veri setine eklenir. Böylece eksik Destination değerleri model tahminleriyle doldurulabilir.
rpart.rules( dt_model,style ="tall", # her kural alt alta, daha okunaklıcover =TRUE, # her kuralın kaç gözlemi kapsadığını gösterirnn =TRUE# node numaralarını gösterir)
55 C PSO TRAP
[128] Destination is 55 Cancri e [ .55 .02 .43] with cover 3% when
HomePlanet is Europa
CryoSleep is TRUE
Age is 15 to 62
Deck is C
Grup_Buyuklugu_Kat is 1 or 2 or 4+
[260] Destination is 55 Cancri e [ .61 .00 .39] with cover 1% when
HomePlanet is Europa
CryoSleep is TRUE
Age is 36 to 47
Deck is Diger or B or E
[4184] Destination is 55 Cancri e [ .62 .00 .38] with cover 1% when
HomePlanet is Europa
CryoSleep is TRUE
Age is 15 to 27
Deck is Diger or B
VIP is FALSE
Grup_Buyuklugu_Kat is 1 or 3 or 4+
[84] Destination is 55 Cancri e [ .62 .11 .28] with cover 1% when
HomePlanet is Europa
CryoSleep is FALSE
VIP is TRUE
FoodCourt is 16 to 9637
VRDeck >= 1110
[170] Destination is 55 Cancri e [ .64 .00 .36] with cover 1% when
HomePlanet is Europa
CryoSleep is FALSE
VIP is FALSE
FoodCourt is 16 to 9637
VRDeck >= 1110
RoomService >= 70
[342] Destination is 55 Cancri e [ .68 .00 .32] with cover 0% when
HomePlanet is Europa
CryoSleep is FALSE
VIP is FALSE
FoodCourt is 16 to 9637
VRDeck is 1110 to 1373
RoomService < 70
[20] Destination is 55 Cancri e [ .71 .00 .29] with cover 1% when
HomePlanet is Europa
CryoSleep is FALSE
FoodCourt >= 9637
[522] Destination is 55 Cancri e [ .78 .00 .22] with cover 0% when
HomePlanet is Europa
CryoSleep is TRUE
Age is 15 to 36
Deck is Diger or B or E
VIP is TRUE
[2093] Destination is TRAPPIST-1e [ .43 .01 .57] with cover 1% when
HomePlanet is Europa
CryoSleep is TRUE
Age is 27 to 36
Deck is Diger or B or E
VIP is FALSE
Grup_Buyuklugu_Kat is 1 or 3 or 4+
[1047] Destination is TRAPPIST-1e [ .42 .01 .57] with cover 2% when
HomePlanet is Europa
CryoSleep is TRUE
Age is 15 to 36
Deck is Diger or B or E
VIP is FALSE
Grup_Buyuklugu_Kat is 2
[129] Destination is TRAPPIST-1e [ .36 .06 .58] with cover 0% when
HomePlanet is Europa
CryoSleep is TRUE
Age is 15 to 62
Deck is C
Grup_Buyuklugu_Kat is 3
[131] Destination is TRAPPIST-1e [ .39 .00 .61] with cover 1% when
HomePlanet is Europa
CryoSleep is TRUE
Age is 47 to 62
Deck is Diger or B or E
[343] Destination is TRAPPIST-1e [ .36 .00 .64] with cover 3% when
HomePlanet is Europa
CryoSleep is FALSE
VIP is FALSE
FoodCourt is 16 to 9637
VRDeck >= 1373
RoomService < 70
[33] Destination is TRAPPIST-1e [ .36 .00 .64] with cover 0% when
HomePlanet is Europa
CryoSleep is TRUE
Age is 5 to 15
[43] Destination is TRAPPIST-1e [ .33 .01 .66] with cover 7% when
HomePlanet is Europa
CryoSleep is FALSE
FoodCourt is 16 to 9637
VRDeck < 1110
[3] Destination is TRAPPIST-1e [ .14 .12 .74] with cover 75% when
HomePlanet is Earth or Mars
[4185] Destination is TRAPPIST-1e [ .25 .00 .75] with cover 0% when
HomePlanet is Europa
CryoSleep is TRUE
Age is 15 to 27
Deck is E
VIP is FALSE
Grup_Buyuklugu_Kat is 1 or 3 or 4+
[17] Destination is TRAPPIST-1e [ .23 .00 .77] with cover 0% when
HomePlanet is Europa
CryoSleep is TRUE
Age >= 62
[11] Destination is TRAPPIST-1e [ .16 .00 .84] with cover 2% when
HomePlanet is Europa
CryoSleep is FALSE
FoodCourt < 16
[9] Destination is TRAPPIST-1e [ .00 .00 1.00] with cover 0% when
HomePlanet is Europa
CryoSleep is TRUE
Age < 5
Bu kod, yolcuların özelliklerine göre kurallar tanımlayarak train veri setinde yeni bir sütun (Destination_tree_pred2) oluşturur; case_when() ile uygun kuralı sağlayan yolculara ilgili Destination atanır, hiçbir kurala uymayanlara ise varsayılan olarak “TRAPPIST-1e” verilir.
test <- test %>%mutate(Destination =ifelse(is.na(Destination),as.character(Destination_tree_pred),as.character(Destination) ),Destination =factor(Destination) )
Bu kod, hem train hem de test veri setlerinde eksik olan Destination değerlerini karar ağacı modelinden elde edilen tahminlerle doldurur. mutate() içinde kullanılan ifelse() sayesinde, Destination bilgisi boş olan yolculara Destination_tree_pred atanır; dolu olanlarda ise mevcut değer korunur. Ardından factor() fonksiyonu ile Destination değişkeni kategorik veri tipine dönüştürülür ve orijinal seviyeler korunur. Böylece tüm eksik Destination değerleri tamamlanmış ve değişken modelleme için eksiksiz, tutarlı hale getirilmiş olur.
# Train seti içintrain <- train %>%select(-any_of(c("Destination_tree_pred", "Destination_tree_pred2")))# Test seti içintest <- test %>%select(-any_of("Destination_tree_pred"))
library(explore)
Warning: package 'explore' was built under R version 4.4.3
describe_all(train)
# A tibble: 24 × 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 Grup_No fct 0 0 6217 NA NA NA
3 Kisi_No int 0 0 8 1 1.52 8
4 HomePlanet fct 0 0 3 NA NA NA
5 CryoSleep fct 217 2.5 3 NA NA NA
6 Cabin chr 199 2.3 6561 NA NA NA
7 Deck fct 199 2.3 7 NA NA NA
8 Numara int 199 2.3 1818 0 600. 1894
9 Side fct 199 2.3 3 NA NA NA
10 Destination fct 0 0 3 NA NA NA
# ℹ 14 more rows
CryoSleep değişkeni yolcuların dondurulmuş uyku durumunu gösterir ve bazı eksik değerlere sahiptir. Bu eksik değerleri doldururken basitçe rastgele atama yapmak yerine yolcuların diğer özelliklerinden yararlanmak daha anlamlıdır. Örneğin, bir yolcunun HomePlanet bilgisi, bulunduğu Cabin veya gitmek istediği Destination ile CryoSleep arasında güçlü ilişkiler olabilir; belirli gezegenlerden gelen yolcuların daha sık CryoSleep tercih etmesi ya da bazı güvertelerdeki yolcuların bu durumda bulunması gibi. Bu tür ipuçları kullanılarak eksik CryoSleep değerleri en olası durumla doldurulabilir, böylece veri seti daha tutarlı hale gelir ve sonraki modelleme adımlarında daha güvenilir sonuçlar elde edilir.
library(dplyr)# Train içintrain <- train %>%select(-any_of("CryoSleep_tree_pred"))# Test içintest <- test %>%select(-any_of("CryoSleep_tree_pred"))
describe_all(train)
# A tibble: 24 × 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 Grup_No fct 0 0 6217 NA NA NA
3 Kisi_No int 0 0 8 1 1.52 8
4 HomePlanet fct 0 0 3 NA NA NA
5 CryoSleep fct 0 0 2 NA NA NA
6 Cabin chr 199 2.3 6561 NA NA NA
7 Deck fct 199 2.3 7 NA NA NA
8 Numara int 199 2.3 1818 0 600. 1894
9 Side fct 199 2.3 3 NA NA NA
10 Destination fct 0 0 3 NA NA NA
# ℹ 14 more rows
Deck değişkeni yolcuların gemideki güvertesini gösterir ve bazı eksik değerler içerir. Bu eksiklikleri doldururken, yolcuların diğer özelliklerinden yararlanmak mantıklıdır. Örneğin, bir yolcunun geldiği HomePlanet ile bulunduğu güverte arasında güçlü bir ilişki olabilir; aynı şekilde aynı aileye (soyad veya grup numarası) ait yolcuların genellikle aynı güvertede konakladığı gözlenir. Bu tür ipuçları kullanılarak eksik Deck değerleri en olası güverteyle doldurulabilir, böylece veri seti daha tutarlı hale gelir ve sonraki analiz veya modelleme adımlarında daha güvenilir sonuçlar elde edilir.
summary(train$Deck)
Diger B C E F G NA's
739 779 747 876 2794 2559 199
library(dplyr)train <- train %>%select(-any_of("deck_tree_pred"))test <- test %>%select(-any_of("deck_tree_pred"))
# Hem train hem test için toplu silmecols_to_remove <-c("deck_tree_pred", "Cabin", "Numara", "Name", "Ad", "Soyad", "Grup_Buyuklugu")train <- train %>%select(-any_of(cols_to_remove))test <- test %>%select(-any_of(cols_to_remove))
describe_all(train)
# A tibble: 18 × 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 Grup_No fct 0 0 6217 NA NA NA
3 Kisi_No int 0 0 8 1 1.52 8
4 HomePlanet fct 0 0 3 NA NA NA
5 CryoSleep fct 0 0 2 NA NA NA
6 Deck fct 0 0 6 NA NA NA
7 Side fct 199 2.3 3 NA NA NA
8 Destination fct 0 0 3 NA NA NA
9 Age dbl 179 2.1 81 0 28.8 79
10 VIP fct 203 2.3 3 NA NA NA
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 Transported fct 0 0 2 NA NA NA
17 Yalniz_Seyahat dbl 0 0 2 0 0.55 1
18 Grup_Buyuklugu_Kat fct 0 0 4 NA NA NA
Side değişkeni yolcuların gemide hangi tarafta (Port veya Starboard) bulunduğunu gösterir ve bazı eksik değerler içerir. Bu eksiklikleri doldururken, yolcuların diğer özelliklerinden yararlanmak mantıklıdır. Örneğin, aynı Cabin veya Deck üzerinde bulunan yolcuların genellikle aynı tarafı paylaşması, aynı aile/grup içindeki yolcuların aynı tarafta yer alması veya belirli HomePlanet–Destination kombinasyonlarının belirli taraflarla daha sık eşleşmesi gibi ilişkiler kullanılabilir. Bu ipuçları sayesinde eksik Side değerleri en olası tarafla doldurularak veri seti daha tutarlı hale getirilebilir ve sonraki analizlerde güvenilirlik artırılır.
train <- train %>%select(-side_tree_pred)test <- test %>%select(-side_tree_pred)
describe_all(train)
# A tibble: 18 × 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 Grup_No fct 0 0 6217 NA NA NA
3 Kisi_No int 0 0 8 1 1.52 8
4 HomePlanet fct 0 0 3 NA NA NA
5 CryoSleep fct 0 0 2 NA NA NA
6 Deck fct 0 0 6 NA NA NA
7 Side fct 0 0 2 NA NA NA
8 Destination fct 0 0 3 NA NA NA
9 Age dbl 179 2.1 81 0 28.8 79
10 VIP fct 203 2.3 3 NA NA NA
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 Transported fct 0 0 2 NA NA NA
17 Yalniz_Seyahat dbl 0 0 2 0 0.55 1
18 Grup_Buyuklugu_Kat fct 0 0 4 NA NA NA
train <- train %>%select(-vip_tree_pred)test <- test %>%select(-vip_tree_pred)describe_all(train)
# A tibble: 18 × 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 Grup_No fct 0 0 6217 NA NA NA
3 Kisi_No int 0 0 8 1 1.52 8
4 HomePlanet fct 0 0 3 NA NA NA
5 CryoSleep fct 0 0 2 NA NA NA
6 Deck fct 0 0 6 NA NA NA
7 Side fct 0 0 2 NA NA NA
8 Destination fct 0 0 3 NA NA NA
9 Age dbl 179 2.1 81 0 28.8 79
10 VIP fct 0 0 2 NA NA NA
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 Transported fct 0 0 2 NA NA NA
17 Yalniz_Seyahat dbl 0 0 2 0 0.55 1
18 Grup_Buyuklugu_Kat fct 0 0 4 NA NA NA
Age değişkeni, yolcuların yaş bilgisini ifade eder ve her yolcunun kaç yaşında olduğunu gösterir. Bu değişken, demografik bir özellik olarak yolcuların davranışlarını, tercihlerini veya diğer değişkenlerle olan ilişkilerini anlamada kullanılabilir. Örneğin, yaş ile CryoSleep durumu, Destination seçimi veya harcama kalemleri (RoomService, FoodCourt vb.) arasında anlamlı ilişkiler bulunabilir. Ayrıca eksik yaş değerleri varsa, bunlar grup, aile veya benzer özelliklere sahip yolcuların yaş ortalamaları kullanılarak doldurulabilir.
train <- train %>%mutate(Age =ifelse(is.na(Age),round(age_tree_pred), Age))test <- test %>%mutate(Age =ifelse(is.na(Age),round(age_tree_pred), Age))train <- train %>%select(-age_tree_pred)test <- test %>%select(-age_tree_pred)
describe_all(train)
# A tibble: 18 × 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 Grup_No fct 0 0 6217 NA NA NA
3 Kisi_No int 0 0 8 1 1.52 8
4 HomePlanet fct 0 0 3 NA NA NA
5 CryoSleep fct 0 0 2 NA NA NA
6 Deck fct 0 0 6 NA NA NA
7 Side fct 0 0 2 NA NA NA
8 Destination fct 0 0 3 NA NA NA
9 Age dbl 14 0.2 81 0 28.8 79
10 VIP fct 0 0 2 NA NA NA
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 Transported fct 0 0 2 NA NA NA
17 Yalniz_Seyahat dbl 0 0 2 0 0.55 1
18 Grup_Buyuklugu_Kat fct 0 0 4 NA NA NA
# A tibble: 18 × 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 Grup_No fct 0 0 6217 NA NA NA
3 Kisi_No int 0 0 8 1 1.52 8
4 HomePlanet fct 0 0 3 NA NA NA
5 CryoSleep fct 0 0 2 NA NA NA
6 Deck fct 0 0 6 NA NA NA
7 Side fct 0 0 2 NA NA NA
8 Destination fct 0 0 3 NA NA NA
9 Age dbl 0 0 80 0 28.8 79
10 VIP fct 0 0 2 NA NA NA
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 Transported fct 0 0 2 NA NA NA
17 Yalniz_Seyahat dbl 0 0 2 0 0.55 1
18 Grup_Buyuklugu_Kat fct 0 0 4 NA NA NA
RoomService, FoodCourt, ShoppingMall, Spa ve VRDeck değişkenleri, yolcuların gemide yaptığı harcamaları temsil eden sayısal (numeric) değişkenlerdir.
RoomService: Yolcunun oda servisine yaptığı harcama tutarı.
FoodCourt: Gemideki yemek alanında (food court) yaptığı harcama tutarı.
ShoppingMall: Alışveriş merkezinde yaptığı harcama tutarı.
Spa: Spa hizmetlerine yaptığı harcama tutarı.
VRDeck: Sanal gerçeklik güvertesinde yaptığı harcama tutarı.
Bu değişkenler genellikle yolcuların yaşam tarzı, sosyoekonomik durumu veya CryoSleep durumuyla ilişkili olabilir. Örneğin, CryoSleep’te olan yolcuların bu harcamaları genellikle 0 olur çünkü hizmetlerden faydalanmazlar. Ayrıca toplam harcama miktarı, yolcuların davranışlarını ve tercihlerini anlamak için kullanılabilir.
`summarise()` has grouped output by 'HomePlanet', 'Deck', 'CryoSleep',
'Destination', 'VIP', 'Grup_Buyuklugu_Kat', 'Side'. You can override using the
`.groups` argument.
`summarise()` has grouped output by 'HomePlanet', 'Deck', 'CryoSleep',
'Destination', 'VIP', 'Grup_Buyuklugu_Kat', 'Side'. You can override using the
`.groups` argument.
`summarise()` has grouped output by 'HomePlanet', 'Deck', 'CryoSleep',
'Destination', 'VIP', 'Grup_Buyuklugu_Kat', 'Side'. You can override using the
`.groups` argument.
`summarise()` has grouped output by 'HomePlanet', 'Deck', 'CryoSleep',
'Destination', 'VIP', 'Grup_Buyuklugu_Kat', 'Side'. You can override using the
`.groups` argument.
`summarise()` has grouped output by 'HomePlanet', 'Deck', 'CryoSleep',
'Destination', 'VIP', 'Grup_Buyuklugu_Kat', 'Side'. You can override using the
`.groups` argument.
# A tibble: 19 × 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 Grup_No fct 0 0 6217 NA NA NA
3 Kisi_No int 0 0 8 1 1.52 8
4 HomePlanet fct 0 0 3 NA NA NA
5 CryoSleep fct 0 0 2 NA NA NA
6 Deck fct 0 0 6 NA NA NA
7 Side fct 0 0 2 NA NA NA
8 Destination fct 0 0 3 NA NA NA
9 Age dbl 0 0 80 0 28.8 79
10 VIP fct 0 0 2 NA NA NA
11 RoomService dbl 14 0.2 1285 0 222. 14327
12 FoodCourt dbl 14 0.2 1522 0 454. 29813
13 ShoppingMall dbl 13 0.1 1126 0 171. 23492
14 Spa dbl 5 0.1 1342 0 307. 22408
15 VRDeck dbl 13 0.1 1316 0 300. 24133
16 Transported fct 0 0 2 NA NA NA
17 Yalniz_Seyahat dbl 0 0 2 0 0.55 1
18 Grup_Buyuklugu_Kat fct 0 0 4 NA NA NA
19 Age_Group fct 0 0 6 NA NA NA
test <- test %>%mutate(Age_Group =cut(Age,breaks =c(0, 12, 18, 30, 45, 60, Inf),labels =c("Child", "Teen", "YoungAdult", "Adult", "MidAge", "Senior"),right =FALSE)) %>%left_join(median_table, by =c("HomePlanet", "Deck", "CryoSleep", "Destination", "VIP", "Grup_Buyuklugu_Kat", "Side", "Age_Group"))test <- test %>%mutate(RoomService =ifelse(is.na(RoomService), med, RoomService)) %>%select(-med)test <- test %>%left_join(median_table_fc, by =c("HomePlanet", "Deck", "CryoSleep", "Destination", "VIP", "Grup_Buyuklugu_Kat", "Side", "Age_Group"))test <- test %>%mutate(FoodCourt =ifelse(is.na(FoodCourt), med, FoodCourt)) %>%select(-med)test <- test %>%left_join(median_table_sm, by =c("HomePlanet", "Deck", "CryoSleep", "Destination", "VIP", "Grup_Buyuklugu_Kat", "Side", "Age_Group"))test <- test %>%mutate(ShoppingMall =ifelse(is.na(ShoppingMall), med, ShoppingMall)) %>%select(-med)test <- test %>%left_join(median_table_spa, by =c("HomePlanet", "Deck", "CryoSleep", "Destination", "VIP", "Grup_Buyuklugu_Kat", "Side", "Age_Group"))test <- test %>%mutate(Spa =ifelse(is.na(Spa), med, Spa)) %>%select(-med)test <- test %>%left_join(median_table_vrd, by =c("HomePlanet", "Deck", "CryoSleep", "Destination", "VIP", "Grup_Buyuklugu_Kat", "Side", "Age_Group"))test <- test %>%mutate(VRDeck =ifelse(is.na(VRDeck), med, VRDeck)) %>%select(-med)
describe_all(test)
# A tibble: 18 × 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 Grup_No fct 0 0 3063 NA NA NA
3 Kisi_No int 0 0 8 1 1.5 8
4 HomePlanet fct 0 0 3 NA NA NA
5 CryoSleep fct 0 0 2 NA NA NA
6 Deck fct 0 0 6 NA NA NA
7 Side fct 0 0 2 NA NA NA
8 Destination fct 0 0 3 NA NA NA
9 Age dbl 0 0 79 0 28.7 79
10 VIP fct 0 0 2 NA NA NA
11 RoomService dbl 0 0 850 0 217. 11567
12 FoodCourt dbl 3 0.1 916 0 435. 25273
13 ShoppingMall dbl 8 0.2 728 0 175. 8292
14 Spa dbl 10 0.2 840 0 298. 19844
15 VRDeck dbl 4 0.1 807 0 308. 22272
16 Yalniz_Seyahat dbl 0 0 2 0 0.55 1
17 Grup_Buyuklugu_Kat fct 0 0 4 NA NA NA
18 Age_Group fct 0 0 6 NA NA NA
