Programlama öğreticileri - sayfa 8

[MetaQuotes]

R Programı Çubuk Grafiği

R Programı Çubuk Grafiği

Herkese merhaba, R programlama diliyle ilgili başka bir video dersine tekrar hoş geldiniz. Bugünün öğreticisinde, R kullanarak basit bir çubuk grafiğin nasıl oluşturulacağını öğreneceğiz.

Başlamak için altı değerli "arabalar" adlı bir vektör tanımlayalım. Bunu "arabalar" adında bir değişken oluşturarak ve ona 2, 4, 7, 5, 10 ve 12 değerlerini atayarak başarabiliriz. Bu vektör, çubuk grafiğimizde görselleştirmek istediğimiz veri noktalarını temsil eder.

Şimdi gerçek çubuk grafiği oluşturmaya geçelim. R'de çubuk grafikler oluşturmak için özel olarak tasarlanmış "barplot()" işlevini kullanacağız. Giriş parametresi olarak "arabalar" vektörünü işleve iletiyoruz.

Kodu çalıştırdığımızda, ekranın sağ tarafında "arabalar" vektörümüzden altı değeri ayrı çubuklar olarak gösteren bir çubuk grafik oluşturulacaktır.

Umarım R programlama dilinde basit bir çubuk grafik oluşturmaya ilişkin bu kısa video eğitimini yararlı ve bilgilendirici bulmuşsunuzdur. Herhangi bir sorunuz varsa, lütfen bunları yorumlar bölümünde bırakmaktan çekinmeyin. Daha heyecanlı konulara değineceğimiz bir sonraki video için takipte kalın.

[MetaQuotes]

Lineer Regresyon R Programı Tahmin Yap

Lineer Regresyon R Programı Tahmin Yap

Herkese merhaba, R programlama diliyle ilgili bu eğitim videosuna hoş geldiniz.

Bu eğitimde, veri analitiğini derinlemesine inceleyeceğiz ve doğrusal regresyon modelini kullanarak tahminler yapmaya odaklanacağız. Doğrusal regresyon, bir skaler bağımlı değişken (Y) ile bir veya daha fazla bağımsız değişken (X) arasındaki ilişkiyi düz çizgi denklemi biçiminde modellemek için güçlü bir araçtır.

Başlamak için, tahminimiz için uygun bir veri seti seçelim. R, data() yazarak ve mevcut seçenekleri keşfederek erişilebilen çok sayıda yerleşik veri kümesi sağlar. Bu eğitim için, Amerikalı kadınların ortalama boy ve kilo değerlerini içeren "kadınlar" veri setini kullanacağız. View(women) yazarak veri setini inceleyebilir ve 15 satır 2 sütunlu yapısını gözlemleyebiliriz: boy ve kilo.

Amacımız, bir kadının kilosunu boyuna göre tahmin etmektir. Bunu başarmak için doğrusal modeli kullanacağız. "linear_model" adlı bir değişken yaratarak ve ona lm() işlevinin sonucunu atayarak başlıyoruz. Bu işlev, bağımlı değişkenin (Y) ve bağımsız değişkenin (X) belirtilmesini gerektirir. Bu durumda ağırlık, bağımlı değişken (Y) ve boy, ağırlık ~ yükseklik sözdizimi ile gösterildiği gibi bağımsız değişken (X) olacaktır. Ayrıca "women" olarak belirlediğimiz data parametresini kullanarak veri setini belirtmemiz gerekiyor.

Doğrusal modelimizi tanımladıktan sonra katsayılarını inceleyebiliriz. Bu katsayılar, Y = MX + B denklemindeki eğime (M) ve kesime (B) karşılık gelir. Bizim durumumuzda katsayılar sırasıyla -87,52 ve 3,45'tir. Böylece, tahmini ağırlığımız (Y), yüksekliği (X) eğimle (3.45) çarparak ve kesmeyi (-87.52) ekleyerek hesaplanabilir.

Tahminimizi test etmek için 59 inçlik bir yükseklik değeri kullanalım. Bunu eğimle (3.45) çarparak ve kesmeyi (-87.52) ekleyerek, 117'lik beklenen değere yakın olan 116.03'lük bir tahmini ağırlık elde ederiz.

Şimdi verileri ve lineer regresyon çizgisini görselleştirelim. Y ve X değerlerini ve data parametresi olarak veri setini belirterek, plot() işlevini kullanarak veri setini çizebiliriz. Doğrusal modelimizle abline() işlevini çağırarak, regresyon çizgisini grafiğin üzerine bindirebiliriz.

Sonuç olarak, R'deki doğrusal regresyon modelini kullanarak tahmin yapma sürecini inceledik. Bu eğitimde kullanılan veri setinin nispeten küçük olduğunu ve yalnızca 15 satırdan oluştuğunu not etmek önemlidir. Gerçek dünya senaryolarında, daha doğru tahminler için genellikle daha büyük veri kümeleri kullanılır. Bununla birlikte, gösteri, doğrusal regresyon sürecinin anlaşılmasını sağlar.

Bu eğitim videosunu izlediğiniz için teşekkür ederiz. Herhangi bir sorunuz varsa, bunları yorumlar bölümünde bırakmaktan çekinmeyin. Bir sonraki video için takipte kalın!

[MetaQuotes]

R Paketleri Nasıl Kurulur

R Paketleri Nasıl Kurulur

Herkese merhaba ve bu videoya hoş geldiniz. Bugün, R'de paket kurma sürecini tartışmak istiyorum.

Özellikle veri görselleştirme için yaygın olarak kullanılan ggplot2 paketinin nasıl kurulacağını göstereceğim. Başlamak için, ggplot2 paketinin şu anda kitaplığımda bulunmadığını fark ettim. Library(ggplot2) kullanarak içe aktarmaya çalıştığımda, ggplot2 adında bir paket olmadığını belirten bir hata mesajı çıkıyor.

Bu sorunu çözmek için ggplot2 paketini kurmam gerekiyor. Neyse ki, paketleri R'ye yüklemek basittir. install.packages() işlevini ve ardından paketin adını tırnak işaretleri içine alarak kullanabiliriz. Bu durumda, install.packages("ggplot2") komutunu uygulayacağım ve Enter'a basacağım.

Kurulum işlemi başlar ve R, Comprehensive R Archive Network'ten (CRAN) ggplot2 paketi için gerekli dosyaları ve verileri indirmeye başlar. Bu adımda internet bağlantınızın olması önemlidir.

ggplot2 paketi, görsel olarak çekici ve özelleştirilebilir grafikler oluşturma becerisiyle ünlüdür. Katmanlı grafikler oluşturmak için grafik gramerinden yararlanarak veri görselleştirmede büyük esneklik sağlar.

Kurulum tamamlandıktan sonra ggplot2 paketini ortamımıza yüklemeye devam edebiliriz. Bunu yapmak için library() işlevini kullanırız ve "ggplot2"yi argüman olarak iletiriz. library(ggplot2) yürütüldüğünde, paketin başarıyla kurulduğunu ve yüklendiğini gösteren önceki hata mesajıyla artık karşılaşmıyoruz.

R'de paket yüklemeyle ilgili bu video eğitimini izlediğiniz için teşekkür ederiz. Herhangi bir sorunuz varsa, bunları yorumlar bölümünde bırakmaktan çekinmeyin. Bu videoyu beğenmeyi, daha fazla içerik için kanala abone olmayı ve bir sonraki video ders için takipte kalmayı unutmayın.

[MetaQuotes]

R Program Çubuk Grafik Rengi

R Program Çubuk Grafik Rengi

Herkese merhaba, R programlama diliyle ilgili bu eğitim videosuna hoş geldiniz. Bu oturumda, R programlama dilini kullanarak görsel olarak çekici bir çubuk grafik oluşturmak için RStudio'yu kullanacağız.

Başlamak için, RStudio'yu açalım ve ortamımızı kuralım. Aklımızda zaten belirli bir hedef var, o da bir çubuk grafik oluşturmak. Ama bu sefer, onu daha estetik bir görünüme kavuşturmaya odaklanacağız.

Şimdi yedi değerli "arabalar" adlı bir vektör tanımlayalım. Bunu "arabalar" adında bir değişken oluşturarak ve ona yedi öğe içeren bir vektör atayarak başarabiliriz. 3, 5, 8, 6, 11, 12 ve 4 değerlerini kullanalım.

Ardından, çubuk grafiği oluşturmak için daha önce yaptığımız gibi "barplot()" işlevini kullanacağız. Ancak bu kez grafiğin görünümünü iyileştirmek için bazı ek parametreler ekleyeceğiz.

Öncelikle grafiğe bir başlık ekleyelim. Çubuk grafiğimize açıklayıcı bir başlık vermek için "ana" parametreyi kullanacağız ve "Arabalar" olarak ayarlayacağız.

Ayrıca, değerlerin arabaların ağırlığını temsil ettiğini belirterek y eksenini etiketlemek istiyoruz. Bunu "ylab" parametresini belirleyip "Weight" olarak ayarlayarak başarabiliriz.

Ek olarak, her bir çubuğun farklı bir araba tipini temsil ettiğini belirtmek için x eksenini etiketlememiz gerekir. "xlab" parametresini kullanacağız ve onu "Type" olarak ayarlayacağız.

Son olarak, biraz görsel çekicilik katmak için çubuklar için farklı renkler kullanalım. Yedi farklı renkten oluşan bir gökkuşağı oluşturmak için "col" parametresini "rainbow(7)" olarak ayarlayacağız.

Kodu çalıştırdıktan sonra, ekranın sağ tarafında çubuk grafik görünecektir. Adı "Arabalar" olacak ve y ekseninde ağırlık değerlerini ve x ekseninde farklı araba türlerini gösterecek. Çubukların kendisi canlı bir gökkuşağı paleti kullanılarak renklendirilecektir.

Umarım bu eğitim videosunu yararlı ve eğlenceli bulmuşsunuzdur. Herhangi bir sorunuz varsa, lütfen sormaktan çekinmeyin. Yorumlarınızı aşağıya bırakmayı unutmayın, bunları ele almak için elimden gelenin en iyisini yapacağım. Bir sonraki videoda daha heyecan verici eğitimler için bizi izlemeye devam edin.

[MetaQuotes]

R Programlama Histogram Örneği

R Programlama Histogram Örneği

Herkese merhaba, R programlama diliyle ilgili bu eğitime hoş geldiniz. Bu videoda, R kullanarak nasıl basit bir histogram oluşturacağımızı keşfedeceğiz. Hemen konuya girelim!

Başlamak için yedi elemanlı "suv'lar" adlı bir vektör tanımlayacağız. Bunu "suv's" adında bir değişken oluşturarak ve ona 5, 5, 5, 5, 8, 8, 19, 45 ve 100 değerlerini içeren bir vektör atayarak başarabiliriz.

Artık aracımızın vektörünü oluşturduğumuza göre, bir histogram oluşturmaya geçebiliriz. Bu, "hist()" işlevi kullanılarak yapılabilir. Fonksiyona parametre olarak "suv" vektörünü ileteceğiz.

Kodu çalıştırdıktan sonra, ekranın sağ tarafında bir histogram görüntülenecektir. Y ekseni frekansı, x ekseni ise değer aralığını temsil eder. Bu durumda, 0 ila 20 aralığının 5 frekansına sahip olduğunu gözlemleyebiliriz, bu da bu aralıkta beş değer oluşumu olduğunu gösterir. Benzer şekilde, 40 ile 60 ve 80 ile 100 arasındaki aralıklar sırasıyla 3 ve 1 frekanslarına sahiptir.

Umarım bu video eğitimini bilgilendirici ve anlaşılır bulmuşsunuzdur. R kullanarak bir histogram oluşturmak, verilerin dağılımını görselleştirmenin yararlı bir yoludur. Herhangi bir sorunuz veya yorumunuz varsa, lütfen bunları aşağıda bırakmaktan çekinmeyin. Bir sonraki videoda daha heyecan verici eğitimler için bizi izlemeye devam edin.

[MetaQuotes]

R Programlama Alt Kümesi

R Programlama Alt Kümesi

Merhaba arkadaşlar, R programlama dili ile ilgili bu videoya hoş geldiniz. Bu eğitimde, belirli bir veri alt kümesinin çıkarılmasını içeren alt kümelemeyi keşfedeceğiz. Başlayalım!

12, 13, 56, 4, 5 ve 89 değerlerini içeren "X" adında bir vektörümüz olduğunu varsayalım. İçeriğini doğrulamak için bu vektörü konsola yazdıracağız.

Şimdi, değerlerin 10'dan büyük olduğu bir veri alt kümesini çıkarmak istediğimizi varsayalım. Bunu "X > 10" ifadesini kullanarak başarabiliriz. Bu bize tüm değerlerin 10'dan büyük olduğu bir veri alt kümesi verecektir.

Daha sonra, bu seçili değerleri 4 olarak değiştirmek istediğimizi varsayalım. "X[X > 10] <- 4" ifadesini kullanarak daha önce elde ettiğimiz altkümeye 4 değerini atayabiliriz. Bu, "X" içindeki 10'dan büyük tüm değerleri 4 ile değiştirecektir.

Değiştirilmiş "X"i yazdırırken, 10'dan büyük değerlerin gerçekten de 4 olarak değiştirildiğini gözlemleyebiliriz.

Şimdi, bazı dış verilerle çalışalım. Masaüstünde bulunan bir CSV dosyamız var ve onu "veri kümesi" adı verilen bir veri çerçevesine okumak istiyoruz. "read.csv()" işlevini kullanarak, CSV verilerini içe aktarmak için dosya yolunu ve adını belirtiyoruz. "Veri kümesini" yazdırırken boyutları (153 satır ve 6 sütun) görebilir ve "NA" olarak etiketlenmiş eksik değerleri belirleyebiliriz.

Devam ederek, bu verilerle çeşitli manipülasyonları keşfedelim. Veri setinin ilk iki satırını "head()" fonksiyonunu kullanarak "dataset" ve istediğimiz satır sayısını (2) belirterek çıkarabiliriz. Alternatif olarak, "verikümesi[1:2, ]" veya "verikümesi[c(1, 2), ]" ile satırlara ve sütunlara göre indekslemeyi kullanabiliriz. Tüm bu yöntemler, ilk iki satırın alınmasıyla aynı sonucu sağlar.

Veri setindeki satır sayısını belirlemek için "nrow()" fonksiyonunu kullanabilir ve "veri setini" argüman olarak iletebiliriz. Bu bize 153 olan satır sayısını verir.

Veri kümesinin son iki satırını çıkarmak istediğimizi varsayalım. Bunu "dataset" ile "tail()" fonksiyonunu kullanarak ve satır sayısını (2) belirterek başarabiliriz. Son iki satır döndürülür.

Şimdi 47. satırdaki "ozon" sütununun değerini bulalım. "verikümesi[47, 'ozon']" veya "verikümesi[47, 1]" gibi indekslemeyi kullanarak ona doğrudan erişebiliriz. Bu, 21 değerini alır.

Alternatif olarak, sütun dizini yerine sütun adını kullanabiliriz. Örneğin, "veri kümesi[47, 'ozon']" ayrıca 21 değerini döndürür.

Diyelim ki "ozon" sütunundaki eksik değerleri bulmak istiyoruz. "subset()" işlevini kullanarak veri kümesinin bir alt kümesini oluşturabiliriz. Alt küme, "ozon" sütununun "NA" değerlerine sahip olduğu satırlardan oluşacaktır. Alt kümeyi yazdırırken, "ozon" sütununun yalnızca "NA" değerleri içerdiğini görebiliriz.

"ozon" sütunundaki eksik değerlerin sayısını belirlemek için altkümedeki "nrow()" işlevini kullanabiliriz, bu da bize 37 cevabını verir.

Veri kümesindeki eksik değerleri kaldırmak istiyorsak, "na.omit()" işlevini kullanabilir ve "veri kümesini" argüman olarak iletebiliriz. Bu, eksik değerlerin kaldırıldığı bir veri kümesi döndürür.

Bunu başarmanın başka bir yolu, bağımsız değişken olarak "dataset" ile "complete.cases()" işlevini kullanmaktır. "NA" değerlerine sahip satırların kaldırılmasıyla aynı sonucu sağlar.

Şimdi "ozon" sütununun Mayıs ayındaki maksimum değerini bulmaya geçelim. "subset()" işlevini kullanarak veri kümesinin bir alt kümesini oluşturabiliriz. Alt küme işlevinde koşulları belirtiyoruz: ay 5'e eşit olmalı (Mayıs'ı temsil eder) ve "ozon" sütunu eksik değerler içermemelidir. Alt kümeyi yazdırırken, filtrelenmiş verileri görebiliriz.

Bu altkümeyi görsel olarak incelemeden maksimum değeri elde etmek için "apply()" fonksiyonunu kullanabiliriz. Alt kümenin sütunlarına "max()" işlevini uygulayarak maksimum değeri alıyoruz. Bu durumda "ozon" sütununa uyguluyoruz. Mayıs ayındaki maksimum ozon değeri 115 olarak bulunmuştur.

Sonuç olarak, R'de çeşitli alt kümeleme tekniklerini ele aldık; bunlara koşullara göre alt kümeleri çıkarmak, indekslemeyi kullanarak belirli öğelere erişmek, eksik değerleri işlemek ve alt kümeler üzerinde hesaplamalar yapmak dahildir. Umarım bu öğreticiyi faydalı bulmuşsunuzdur. Herhangi bir sorunuz veya yorumunuz varsa, bunları aşağıda bırakmaktan çekinmeyin. Daha fazla R programlama eğitimi için abone olmayı unutmayın. İzlediğiniz için teşekkürler, bir sonraki videoda görüşmek üzere!

[MetaQuotes]

R Program Altkümesi2

R Program Altkümesi2

Merhaba arkadaşlar, R programlama dili ile ilgili bu videoya hoş geldiniz. Bu eğitimde, 'iris' veri setinde 'virginica' türü için sepal uzunluğunun ortalamasını bulacağız. R'de önceden tanımlanmış veri kümelerini keşfederek başlayalım. Mevcut veri kümelerini görüntülemek için herhangi bir argüman olmadan 'data()' işlevini kullanıyoruz. Bu, R'de sağlanan veri kümelerinin bir listesini görüntüler. Analizimiz için 'iris' veri kümesiyle çalışacağız.

'data(iris)' yazarak 'iris' veri setini yükleyelim. Bu, 150 satır ve beş sütundan oluşan tüm veri kümesini yükler: sepal uzunluğu, sepal genişliği, petal uzunluğu, petal genişliği ve türler. Yalnızca 'virginica' türünü içeren bir altkümeyi ayıklamak için 'iris_subset' adında yeni bir değişken yaratıyoruz. Altküme işlemini kullanarak, türün 'virginica'ya eşit olduğu tüm satırları istediğimizi belirtiyoruz. Tüm sütunları da istediğimiz için sütun belirtimini atlıyoruz.

'iris_subset'i yazdırırken, artık sadece 'virginica' türlerini içeren 'iris' veri kümesinin bir alt kümesine sahip olduğumuzu gözlemleyebiliriz. Daha sonra, bu alt küme için sepal uzunluğunun ortalamasını hesaplamakla ilgileniyoruz. Sepal uzunluk sütununa odaklanmak için, 'iris_subset' öğesini yalnızca sepal uzunluk sütununu içerecek şekilde değiştiririz.

Şimdi 'iris_subset'i bir matrise dönüştürelim. Dönüştürülen matrisi 'as.matrix()' işlevini kullanarak 'iris_subset_matrix' adlı yeni bir değişkene atarız. Bunu bir matrise dönüştürerek matematiksel işlemleri belirli sütunlara uygulayabiliriz. 'iris_subset_matrix', orijinal alt kümeye benziyor ama artık bir matris nesnesi.

Sepal uzunluğun ortalamasını hesaplamak için, 'iris_subset_matrix'in sepal uzunluk sütunundaki 'mean()' fonksiyonunu kullanırız. Bu bize 'virginica' türünün sepal uzunluğu için 6.588'lik bir ortalama değer verir.

'subset()' işlevini kullanarak alt küme oluşturmanın alternatif yolları olduğunu belirtmekte fayda var. Bununla birlikte, bu öğreticide, alt kümeleri çıkararak, bunları matrislere dönüştürerek ve hesaplamalar yaparak R'deki verileri işlemek için alternatif bir yaklaşım gösterdik. Bu teknikler veri analizinde esneklik sağlar.

İzlediğiniz için teşekkürler! Herhangi bir sorunuz veya yorumunuz varsa, lütfen bunları aşağıya bırakın. Daha fazla R programlama eğitimi için videoyu beğenmeyi ve kanalımıza abone olmayı unutmayın. Bir sonraki video için takipte kalın!

[MetaQuotes]

JSON R Programlama Okuma

JSON R Programlama Okuma

Hey millet, R programlama dili ile ilgili bu eğitime hoş geldiniz. Bu videoda, JSON'dan (JavaScript Object Notation) nasıl bilgi çıkarılacağını tartışacağız. Bunu göstermek için, arka planda tüm depolarım hakkında bilgi görüntüleyen GitHub API'm var. Başka bir havuzdan çatalladığım 'awesome-tensorflow' da dahil olmak üzere bir havuz listesiyle birlikte GitHub kullanıcı adımı vurgulanmış olarak görebilirsiniz.

Bu verileri ayıklamak ve bunlarla çalışmak için R'deki 'jsonlite' kitaplığını kullanacağız. JSON'dan verileri alarak başlayalım. "json_data" adlı bir değişken oluşturacağız ve verileri belirli bir URL'den almak için "fromJSON()" işlevini kullanacağız. GitHub API URL'sini kopyalayıp 'fromJSON()' işlevine argüman olarak ileteceğim.

Bu kodu çalıştırdıktan sonra bir veri çerçevesi elde ederiz. 'json_data' sınıfını doğrulamak için, gerçekten bir veri çerçevesi olduğunu ortaya çıkaran 'class()' işlevini kullanıyoruz.

Şimdi 'json_data' değişkeninin içeriğini inceleyelim. Veri çerçevesindeki özniteliklerin adlarını almak için 'names()' işlevini kullanabiliriz. 'names(json_data)' yazarak, her havuzun adını temsil eden 'name' de dahil olmak üzere bir öznitelik listesi elde ederiz.

Tüm havuzlarımın adlarını çıkarmak için, 'json_data$name' sözdizimini kullanarak 'name' özniteliğine doğrudan erişebiliriz. Bu, tüm havuzlarımın adlarını, toplamda yaklaşık 30'u ortaya koyuyor.

Ardından, 'iris' veri kümesi gibi bir veri çerçevesini JavaScript Nesne Gösterimi (JSON) biçimine dönüştürme senaryosunu ele alalım. Bunu başarmak için 'toJSON()' işlevini kullanabiliriz. Örneğin, 'my_json' adlı bir değişken oluşturalım ve 'toJSON()' işlevini 'iris' veri kümesine uygulayalım. Ek olarak, ortaya çıkan JSON'un görsel olarak hoş bir şekilde biçimlendirilmesini sağlamak için 'pretty' parametresini ekleyebiliriz.

'my_json' yazdırırken, JSON'un uygun girintilerle düzgün bir şekilde biçimlendirildiğini gözlemleyebiliriz. 'Çanak yaprağı uzunluğu', 'çanak genişliği', 'taç yaprağı uzunluğu', 'yaprak genişliği' ve 'tür' niteliklerinin yanı sıra bunlara karşılık gelen '6.3', '4.8', '1.8' ve 'gibi değerleri görüntüler. virginica'.

'pretty' parametresini kaldırır ve JSON'u yeniden oluşturursak, daha az okunabilir hale gelir ve uzunluğundan dolayı kesilir. Bu nedenle, daha iyi görselleştirme için 'güzel' parametresinin kullanılması önerilir.

Şimdi, JSON'u tekrar bir veri çerçevesine nasıl dönüştüreceğimizi keşfedelim. Bunu başarmak için 'fromJSON()' işlevini kullanabilir ve parametre olarak 'my_json' değişkenini sağlayabiliriz. Bu kodu çalıştırmak, orijinal veri çerçevesini döndürür ve dönüştürme sürecini etkili bir şekilde tersine çevirir.

İzlediğiniz için teşekkürler! Herhangi bir yorumunuz veya sorunuz varsa, lütfen bunları aşağıda bırakmaktan çekinmeyin. Geri bildiriminiz büyük beğeni topluyor. Daha fazla R programlama eğitimi için kanalımıza abone olmayı unutmayın. Bir sonraki video için takipte kalın!

[MetaQuotes]

CSV Dosyasını R'de Oku

CSV Dosyasını R'de Oku

Hey millet, R programlama dili ile ilgili bu eğitim videosuna hoş geldiniz. Bu eğitimde size R kullanarak bir CSV dosyasını nasıl açacağınızı göstereceğim. Başlamak için, ekranın sağ tarafında R yardım belgelerini zaten açtım. Bu görev için kullanabileceğimiz 'read.csv()' adında bir fonksiyon olduğunu görebiliriz. Varsayılan olarak, bu işlev dosyanın başlıkları olduğunu ve değerlerin virgülle ayrıldığını varsayar.

CSV dosyasındaki verileri depolamak için 'verilerim' adında bir değişken oluşturalım. Dosyayı okumak için 'read.csv()' işlevini kullanacağız. Dosya yolunu işleve argüman olarak belirtebiliriz. Dosya yolunu elde etmek için Kaggle web sitesinden edindiğim ev verilerini içeren bir CSV dosyam var. Dosyaya sağ tıklayıp 'Özellikler'e gidip dosya konumunu kopyalayacağım. RStudio'ya dönerek, dosya yolunu tırnak işaretleri içine yapıştıracağım.

Şimdi, dosya adını dosya yoluna dahil etmemiz gerekiyor. Dosya yolundan sonra eğik çizgi ekleyeceğim ve dosya adını yapıştıracağım. Bir Windows makinesi kullandığım için dosya yolunun ters eğik çizgiler içerdiğine dikkat etmek önemlidir. Bununla birlikte, R, eğik çizgiler veya kaçan ters eğik çizgiler gerektirir. Kodu şimdi çalıştırırsak ters eğik çizgiler nedeniyle bir hatayla karşılaşırız. Bunu çözmek için eğik çizgileri manuel olarak tersine çevireceğiz.

Kodu çalıştırmak için ENTER'a basalım. Sonuç olarak, 1.460 gözlem veya satır ve 81 özellik veya sütun içeren 'verilerim' adlı bir veri çerçevesi elde ederiz. Bunu 'my_data' ile 'nrow()' ve 'ncol()' fonksiyonlarını kullanarak onaylayabiliriz.

Verileri incelemek için Environment bölmesinde 'my_data' değişkenine çift tıklayabilir veya konsolda 'my_data' komutunu kullanabiliriz. Ancak, tüm veri çerçevesinin konsolda görüntülenmesi çok okunabilir olmayabilir. Bu nedenle, iyi biçimlendirilmiş bir tablo görüntülemek için 'verilerim' üzerine çift tıklamanızı tavsiye ederim.

Bu eğitim için bu kadar, millet! İzlediğiniz için teşekkürler. Umarım faydalı bulmuşsundur. Herhangi bir sorunuz veya yorumunuz varsa, bunları aşağıda bırakmaktan çekinmeyin. Daha fazla R programlama eğitimi için kanalımıza abone olmayı unutmayın. Bir sonraki video için takipte kalın!

[MetaQuotes]

R'de Çoklu Doğrusal Regresyon

R'de Çoklu Doğrusal Regresyon

Merhaba arkadaşlar, R programlama dili ile ilgili bu videoya hoş geldiniz. Bugün, çoklu doğrusal regresyonu tartışmak ve bunun RStudio'da nasıl uygulanacağını göstermek istiyorum. Başlamak için, analiz için bir veri setine ihtiyacımız var. Çevrimiçi olarak edindiğim 'real_estate.csv' adlı bir CSV dosyam zaten var. Bu veri setini indirmek için bağlantıyı aşağıdaki açıklamada bulabilirsiniz.

'verilerim' adında bir değişken oluşturarak başlayalım ve CSV dosyasını RStudio'da okumak için 'read.csv()' işlevini kullanalım. Dosyanın konumunu ve adını belirtmemiz gerekiyor. Konumu elde etmek için, dosyaya sağ tıklayıp dosya konumunu kopyalamak için 'Özellikler'e tıklayacağım. Konumu yapıştırdıktan sonra tırnak içine alacağım. Ek olarak, eğik çizgiden sonra dosya adını ekleyeceğim ve eğik çizgileri Windows makineleri için gerekli biçime uyacak şekilde tersine çevireceğimden emin olacağım. Bu kodu çalıştırmak, 781 satır ve 8 sütun içeren 'verilerim' veri çerçevesini oluşturur.

Şimdi veri çerçevesine daha yakından bakalım. "MLS" (birden çok listeleme hizmet numarası), "Konum", "Fiyat", "Yatak odaları", "Banyolar", "Boyut" (evin metrekare cinsinden boyutu), "Fiyat/m2" dahil olmak üzere birkaç sütunumuz var. ve "Durum" (satış türü). Çoklu doğrusal regresyonu göstermek amacıyla yalnızca sayısal sütunlarla çalışacağız ve 'Konum' ve 'Durum'u hariç tutacağız.

Yeni bir veri seti oluşturmak için 'verilerim'i 'verilerim2' adlı yeni bir değişkene atayacağım ve 1, 3, 4, 5, 6 ve 7. sütunları seçeceğim. Bu yeni veri seti 781 satır ve 6 sütun içeriyor.

Şimdi lineer modelimizi oluşturmaya geçelim. 'lin_mod' adında bir değişken yaratacağım ve onu lineer model anlamına gelen 'lm()' işlevine eşitleyeceğim. "MLS", "Yatak odaları", "Banyolar", "Boyut" ve "Fiyat/m2" gibi özelliklere dayalı olarak "Fiyat"ı tahmin etmek istiyoruz. 'Fiyat'ı bağımlı değişken olarak belirleyip diğer özellikleri de dahil ederek 'my_data2' veri setini kullanarak lineer modelimizi oluşturabiliriz.

Doğrusal modelimizin bir özetini elde etmek için 'lin_mod' üzerinde 'summary()' işlevini kullanacağım. Özet artıklar, katsayılar ve p-değerleri hakkında bilgi sağlar. Değişkenlerin önemi, üç yıldızın yüksek önemi gösterdiği yıldızlar kullanılarak görsel olarak belirlenebilir.

Artık lineer modelimiz olduğuna göre, bir tahminde bulunmaya çalışalım. 'Fiyat' adında bir değişken oluşturacağım ve onu kesme katsayısı eksi 7.34 artı değişkenlerin katsayılarının tablonun son satırındaki ilgili değerleriyle çarpımına eşitleyeceğim. Örneğin 'MLS' değerini katsayısı ile çarpacağız ve denkleme ekleyeceğiz. Benzer şekilde, tahmin denklemine 'Yatak Odaları', 'Banyolar', 'Boyut' ve 'Fiyat/m2'yi dahil edeceğiz.

Tahmini fiyatı yazdıralım ve veri kümesindeki son satırın gerçek fiyatıyla karşılaştıralım. Tahmini fiyat 1.100.000 $ civarında olmalıdır. Kodu çalıştırdıktan sonra, gerçek fiyattan yaklaşık 77.000 $ daha düşük olan tahmini 1.023.000 $'lık bir fiyat elde ederiz. Fark önemli olsa da, milyon dolarlık bir ev düşünen alıcılar için önemli bir endişe olmayabilir.

Umarım bu videoyu bilgilendirici ve eğlenceli bulmuşsunuzdur. Herhangi bir sorunuz veya yorumunuz varsa, lütfen bunları aşağıya bırakın. Bu videoyu beğenmeyi ve daha fazla eğitim için bizi izlemeye devam etmeyi unutmayın. İzlediğiniz için teşekkürler, bir sonrakinde görüşürüz.