Flexdashboard’un amacı, R Markdown kullanarak R için etkileşimli gösterge tabloları oluşturmayı kolaylaştırmaktır. R Markdown ile ilgili yazdığım yazıya ulaşmak için tıklayınız. Peki, flexdashboard ile neler yapılabilir ?: Bir grup ilgili veri görselleştirmesini gösterge tablosu olarak yayınlamak için R Markdown kullanabilirsiniz. base, lattice, ızgara grafikler, tablo verileri göstergeler gibi çeşitli htmlwidgetslar için destek sağlar. Satır ve […]
Tidymodels, tidyverse ilkeleri kullanan modelleme ve makine öğrenmesi için paketler koleksiyonudur. Tidyverse ile ilgili yazdığım yazıya ulaşmak için tıklayınız. Tidymodels paketler koleksiyonu bir veri bilimi projesi için gerekli olan veri ön işlemeden model seçimine kadar tüm aşamaları içerisinde barındıran paketlerden oluşmaktadır. Bu paketler kullanılarak popüler makine öğrenmesi algoritmaları veri setlerine uygulanabilir ve sonuçlar çok hızlı […]
Tidyverse, veri bilimi için tasarlanmış R paketler koleksiyonudur. Tidyverse içerisinde yer alan tüm paketler temel bir tasarım felsefesini, sözdizimini ve veri yapılarını paylaşır. Tidyverse paketler koleksiyonu ilk olarak 2016 yılında Hadley Wickham ve arkadaşları tarafından tasarlanmıştır. Farklı paketler yardımıyla R programlama dili üzerinde veri görselleştirme, veri birleştirme ve düzenleme, veri manipülasyonu gibi çeşitli analizler yapılabilmektedir. […]
Shiny, R kodlarını kullanarak web uygulamaları oluşturmak için geliştirilmiş R paketlerinden biridir. Öncelikle veri bilimciler düşünülerek tasarlanmıştır ve bu amaçla HTML, CSS veya JavaScript bilgisi olmadan oldukça karmaşık Shiny uygulamaları oluşturulabilmektedir. Shiny ile kullanıcı arayüzü bileşenleri kolayca özelleştirilebilir veya genişletilebilir ve server ile birlikte R kodları yazılarak arka planda reaktif programlama kullanılabilir. Böylece, web uygulamanız […]
Bu makalede, sinir ağlarının yapı taşını sıfırdan anlatmaya çalışacağım ve Sinir ağlarını uygulamak için bir sezgi geliştirmeye daha fazla odaklanacağım. Hem “Python” hem de “R” ile kodlamalar yapacağız. Bu makalenin sonunda, Sinir ağlarının nasıl çalıştığını, ağırlıkları nasıl başlatacağımızı ve geri yayılımı kullanarak bunları nasıl güncelleyeceğimizi öğrenmiş olacaksınız. Genel Bakış Sinir Ağları (Neural Networks), en popüler […]
Forcats Kütüphanesi Seviyelerin değerini değiştiren fonksiyonlar 1- fct_anon() Faktör seviyelerini anonim hale getirir. İçerisine bir karakter yazdığımızda ise örnekteki gibi bir faktör haline gelir.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 |
gss_cat$relig %>% fct_count() ## # A tibble: 16 x 2 ## f n ## <fct> <int> ## 1 No answer 93 ## 2 Don't know 15 ## 3 Inter-nondenominational 109 ## 4 Native american 23 ## 5 Christian 689 ## 6 Orthodox-christian 95 ## 7 Moslem/islam 104 ## 8 Other eastern 32 ## 9 Hinduism 71 ## 10 Buddhism 147 ## 11 Other 224 ## 12 None 3523 ## 13 Jewish 388 ## 14 Catholic 5124 ## 15 Protestant 10846 ## 16 Not applicable 0 |
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 |
gss_cat$relig %>% fct_anon() %>% fct_count() ## # A tibble: 16 x 2 ## f n ## <fct> <int> ## 1 01 15 ## 2 02 147 ## 3 03 104 ## 4 04 224 ## 5 05 0 ## 6 06 32 ## 7 07 95 ## 8 08 71 ## 9 09 3523 ## 10 10 23 ## 11 11 93 ## 12 12 689 ## 13 13 10846 ## 14 14 5124 ## 15 15 388 ## 16 16 109 |
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 |
gss_cat$relig %>% fct_anon("X") %>% fct_count() ## # A tibble: 16 x 2 ## f n ## <fct> <int> ## 1 X01 224 ## 2 X02 10846 ## 3 X03 3523 ## 4 X04 0 ## 5 X05 71 ## 6 X06 104 ## 7 X07 32 ## 8 X08 689 ## 9 X09 93 ## 10 X10 23 ## 11 X11 5124 ## 12 X12 15 ## 13 X13 147 ## 14 X14 388 ## 15 X15 95 ## 16 X16 109 |
2- fct_collapse faktörü belirli gruplara ayırmamızı sağlar.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 |
gss_cat$partyid %>% fct_unique() ##No answer ##Don't know ##Other party ##Strong republican ##Not str republican ##Ind,near rep ##Independent ##Ind,near dem ##Not str democrat ##Strong democrat ## 10 Levels: No answer Don't know Other party ... Strong democrat |
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
gss_cat$partyid %>% fct_collapse( missing = c("No answer", "Don't know"), other = "Other party", rep = c("Strong republican", "Not str republican"), ind = c("Ind,near rep", "Independent", "Ind,near dem"), dem = c("Not str democrat", "Strong democrat")) %>% fct_count() ## # A tibble: 5 x 2 ## f n ## <fct> <int> ## 1 missing 155 ## 2 other 393 ## 3 rep 5346 ## 4 ind 8409 ## 5 dem 7180 |
3- fct_lump() fct_lump belirli kriterleri sağlayan seviyeleri(levels) bir araya getiren bir fonksiyondur. fct_lump fonksiyonu artık kullanılan bir fonksiyon […]
Forcats Kütüphanesi Önceki yazımızda faktörleri ve forcats kütüphanesinin bazı önemli fonksiyonlarına bakmıştık. Bu yazımızda faktör birleştirmek için fonksiyonlar ve seviye sırasını değiştiren fonksiyonları göreceğiz. faktör birleştirmek için fonksiyonlar 1- fct_c() faktörleri ve seviyeleri birleştirir.
|
1 2 3 4 5 6 |
fa <- factor("a") fb <- factor("b") fab <- factor(c("a", "b")) fct_c(fa,fb,fab) ## [1] a b a b ## Levels: a b |
2- fct_cross() 2 veya daha fazla faktörü kombine eder.
|
1 2 3 4 5 |
a <- factor(c("a","b","a", "b")) b <- factor(c("x","x","y", "x" )) fct_cross(a,b) ## [1] a:x b:x a:y b:x ## Levels: a:x b:x a:y |
Seviye sırasını değiştiren fonksiyonlar 1- fct_relevel() Bu fonksiyon faktör seviyelerini […]
Forcats Kütüphanesi Forcats kütüphanesi faktörler ile ilgili olan bir kütüphanedir. Faktörler, kategorik değişkenleri seviyeler halinde depolayan bir R’ nesnesidir ve faktörlerde sıralama önemlidir.
|
1 2 3 4 5 |
cinsiyet <- c("E", "E", "K", "E", "K") cinsiyet ## [1] "E" "E" "K" "E" "K" class(cinsiyet) ## [1] "character" |
Yukarıda da gördüğümüz üzere 2 çeşit cinsiyet vardır; Erkek ve Kadın. Verimizin sınıfı ise karakterdir.
|
1 2 3 4 5 6 |
cinsiyet <- factor(cinsiyet) cinsiyet ## [1] E E K E K ## Levels: E K class(cinsiyet) ## [1] "factor" |
karakter sınıfında olan verimizi faktör sınıfına geçirdiğimizde ise bize levels (seviyeler) olarak “E” ve “K” değerlerini […]
Tidyverse Giris eğitimi Etkin veri analizi için dplyr 3 Bu yazımızda arrange ve mutate fonksiyonlarını inceleyeceğiz. Arrange bize verileri belirli bir kurala göre sıralamamızı sağlar.
|
1 2 |
library(dplyr) data("mtcars") |
|
1 2 3 4 5 6 7 8 9 10 11 |
mtcars %>% select(mpg, cyl) %>% arrange(mpg) %>% head() ## mpg cyl ## Cadillac Fleetwood 10.4 8 ## Lincoln Continental 10.4 8 ## Camaro Z28 13.3 8 ## Duster 360 14.3 8 ## Chrysler Imperial 14.7 8 ## Maserati Bora 15.0 8 |
Arrange default olarak küçükten büyüğe doğru sıralar. Büyükten küçüğe sıralamak için desc() fonksiyonu kullanılır.
|
1 2 3 4 5 6 7 8 9 10 11 |
mtcars %>% select(mpg, cyl) %>% arrange(desc(mpg)) %>% head() ## mpg cyl ## Toyota Corolla 33.9 4 ## Fiat 128 32.4 4 ## Honda Civic 30.4 4 ## Lotus Europa 30.4 4 ## Fiat X1-9 27.3 4 ## Porsche 914-2 26.0 4 |
Mutate fonksiyonu bize yeni sütunlar yapmamıza olanak verir. Özellikle bazı veri setlerinde 2 farklı değişkeni […]
Janitor ile Sütun İsimleriyle Oynamak Veri analizi yaparken sütun isimlerinin büyük veya küçük harflerle yazılması zorlandığımız ama düzeltilmesi basit bir konudur. Bu yazımda “janitor” kütüphanesinin clean_names fonksiyonu ile bu sorunu nasıl çözdüğümüzü anlatmaya çalışacağım. Öncelikle kütüphanemizi indirip kuruyoruz.
|
1 2 |
install.packages(“janitor”) library(janitor) |
Bu yazımda https://github.com/sfirke/janitor/blob/master/dirty_data.xlsx sitesinden aldığım bir excel dosyası üzerinde gösterim yapacağız. Öncelikle dirty_data.xlsx verimizi çağıralım.
|
1 2 3 4 5 6 7 8 9 |
library(dplyr) library(readxl) dirty_data <- read_excel("C:/Users/.../OneDrive/Masaüstü/dirty_data.xlsx") names(dirty_data) ## [1] "First Name" "Last Name" "Employee Status" ## [4] "Subject" "Hire Date" "% Allocated" ## [7] "Full time?" "do not edit! --->" "Certification...9" ## [10] "Certification...10" "Certification...11" |
[…]
Tidyverse Giris eğitimi Etkin veri analizi için dplyr 2 Bu yazımızda select() fonksiyonunu inceleyeceğiz. Select fonksiyonu tablodan istenilen sütunları seçmek için kullanılır.
|
1 2 3 4 5 6 7 8 9 |
library(dplyr) mtcars %>% filter(cyl == 6, am == 0, gear >= 4) %>% select(mpg, cyl, disp, qsec) ## mpg cyl disp qsec ## Merc 280 19.2 6 167.6 18.3 ## Merc 280C 17.8 6 167.6 18.9 |
Üstteki kodu yazdığımız zaman, R bize sadece mpg, cyl, disp ve qsec sütunlarını verecek. Select fonksiyonunun içine contains fonksiyonu yazılıp aranan bir karakter girdiğimizde fonksiyon bize o karakteri içeren sütunları verecektir.
|
1 2 3 4 5 6 7 |
mtcars %>% filter(cyl == 6, am == 0, gear >= 4) %>% select(contains("ar")) ## gear carb ## Merc 280 4 4 ## Merc 280C 4 4 |
Sütunları […]
Tidyverse Giris egitimi Etkin Veri Analizi için dplyr 1 Öncelikle kütüphanemizi indirip çağıralım
|
1 |
install.packages(“dplyr”) |
|
1 |
library(dplyr) |
dplyr paketini yüklediğimize göre fonksiyonlara geçebiliriz. filter() fonksiyonu belirli özellikleri taşıyan verileri çekmemizi sağlar. Mtcars veri setini çağırıp bakalım. Head fonksiyonu bize ilk 6 veriyi verir.
|
1 2 |
data("mtcars") head(mtcars) |
|
1 2 3 4 5 6 |
mpg cyl disp hp drat wt qsec vs am gear carb Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4 Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4 Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1 Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1 Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2 Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1 |
Mtcars veri setindeki değişkenlerin ne anlama geldiğine bakalım. Sizde R […]
Monte Carlo simülasyonu adını Monte Carlo vilayetindeki kumarhanelerden almıştır. Bunun sebebi kumarhanelerde oynatılan ruletlerin sonuçlarının tahmin edilemiyor ve rastgele olmasıdır. Geçmişte atom bombasını üretirken de etkin olarak kullanılan bu simülasyon günümüzde kantitatif analizlerde çokça kullanılmaktadır. Risk analizleri, finans, fizik, proje yönetimi, sigorta gibi birçok alanda kullanılıyor. Peki, Monte Carlo simülasyonu nedir ve nasıl çalışır? Sistem […]
Doğrusal regresyon modellerinde model parametreleri doğrusal bir yapıda bulunmaktadır. Doğrusal regresyon modelleri ile ilgili yazılarıma aşağıdaki bağlantılardan ulaşabilirsiniz. R Uygulamaları – Bölüm 1: Basit Doğrusal Regresyon R Uygulamaları – Bölüm 2: Çoklu Doğrusal Regresyon Doğrusal olmayan regresyon modellerinde ise model parametreleri doğrusal değildir ancak bağımsız değişkenler doğrusal veya doğrusal olmayan yapıda olabilir. Doğrusal olmayan modeller […]
tidymodels paketi makine öğrenmesi için oluşturulmuş bir koleksiyondur. R’da tidymodels paketini yüklemek için;
|
1 |
install.packages("tidymodels") |
komutunu kullanabilirsiniz. İster bugün yeni başlıyor olun, isterseniz modelleme konusunda yılların deneyimine sahip olun, tidymodels işiniz için tutarlı ve esnek bir çerçeve sunmaktadır. tidymodels başlangıçta yüklenen bazı paketler içermektedir. Şimdi bu paketlere göz atalım: rsample rsample, analizler için farklı türde örnekler ve […]
Regresyon analizi, parametrik ve parametrik olmayan regresyon olmak üzere iki gruba ayrılmaktadır. Parametrik regresyon analizinin en önemli özelliği değişkenler arasındaki ilişkinin bir fonksiyon ile açıklanabilir olmasıdır. Ayrıca; parametrik regresyonda bazı önemli varsayımların sağlanması gerekmektedir. Bu varsayımlara ve parametrik regresyon analizi ile ilgili yaptığım uygulamalara aşağıdaki bağlantılardan ulaşabilirsiniz: R Uygulamaları – Bölüm 1: Basit Doğrusal Regresyon […]
Herkese merhaba! Veri görselleştirme için kullanılan popüler uygulamalardan biri olan Power BI’da gerçek hayatta kulandığımız veriler için farklı görselleştirmeler yapılmaktadır. Verileri görselleştirmemizdeki amaç elimizdeki verilerin karmaşık olması ve bu verilerin ham haliyle yorumlanmasının da oldukça zor olmasıdır. Bu yüzden verilerden başarılı çıkarsamalar yapabilmek için bu verileri görselleştirmek ve yorumlamak gerekmektedir. Power BI ile ilgili detaylı […]
Kantil Regresyon (Quantile Regression) yöntemi Koenker ve Bassett tarafından 1978 yılında önerilmiştir. Doğrusal regresyon modelleri uç değerlere karşı esnek olmadığı için özellikle; uç değerlerin olduğu veri setlerinde kantil regresyon modelleri tercih edilmektedir. Ayrıca kantil regresyon modeli aykırı gözlemlere karşı etkili olduğundan doğrusal regresyondaki gibi varsayımlara gerek duymamaktadır. Doğrusal regresyon ile ilgili detaylı bilgilere aşağıdaki bağlantılardan […]
Herkese merhaba! R uygulamalar serisinin önceki bölümlerinde doğrusal regresyon ve lojistik regresyon ile ilgili uygulamalar yapmıştık. Yazılarıma aşağıdaki bağlantılardan ulaşabilirsiniz: R Uygulamaları – Bölüm 1: Basit Doğrusal Regresyon R Uygulamaları – Bölüm 2: Çoklu Doğrusal Regresyon R Uygulamaları – Bölüm 3: Lojistik Regresyon R uygulamalar serisinin bu bölümünde değişkenler arasındaki ilişkinin doğrusal olmadığı veri yapılarını […]
Serinin ilk iki yazısında doğrusal regresyon analizine değinmiştim. İlgili yazılara aşağıdan erişebilirsiniz: R Uygulamaları – Bölüm 1: Basit Doğrusal Regresyon R Uygulamaları – Bölüm 2: Çoklu Doğrusal Regresyon Doğrusal regresyonda açıklamaya çalıştığımız bağımlı değişken sürekli verilerden oluşmaktaydı. Lojistik regresyon analizi ile bağımlı değişkeni açıklayabilmek için bağımlı değişken, kategorik verilerden (hasta-sağlıklı, iyi-kötü vb.) oluşmalıdır. Bu verilere […]
