Last chance: 50% off unlimited learning
Sale ends in
Kurs Açıklaması
Eksik veriler, gerçek dünyadaki her veri analizinin bir parçasıdır. Beklenmedik yerlerde ortaya çıkabilir ve analizleri anlamayı zorlaştırabilir. Bu derste, eksik değerleri görselleştirmek için tidyverse araçlarını ve naniar R paketini nasıl kullanacağını öğreneceksin. Eksik değerleri analize uygun hale getirmek için düzenleyecek ve verideki önyargıları bulmak amacıyla eksikleri inceleyeceksin. Son olarak, eksiklikle ilgili diğer temel örüntüleri ortaya çıkaracaksın. Ayrıca, eksik değerlerin "boşluklarını doldurmak" için imputasyon modellerini nasıl kullanacağını ve bu imputasyonlu veri kümelerine dayalı olarak nasıl görselleştirme yapacağını, değerlendireceğini ve karar vereceğini de öğreneceksin.
Ön Koşullar
Müfredat
Kurs planı
1
Eksik veriler neden önemli?
Bölüm 1 seni eksik verilerle tanıştırır; eksik değerlerin ne olduğunu, R'deki davranışlarını, nasıl tespit edileceğini ve nasıl sayılacağını açıklar. Ardından, eksik veri özetlerini ve eksikliğin vakalar, değişkenler genelinde nasıl özetleneceğini ve verideki gruplar arasında nasıl keşfedileceğini ele alıyoruz. Son olarak, eksik veri görselleştirmelerini; tüm veri kümesi için ve değişkenler, vakalar ve diğer özetler üzerinde genel görselleştirmelerin nasıl üretileceğini ve bunların gruplar arasında nasıl keşfedileceğini tartışıyoruz.
- Eksik verilere giriş50 XP
- Eksik değerleri kullanma ve bulma100 XP
- Kaç tane eksik değer var?100 XP
- Eksik değerlerle çalışmak50 XP
- Eksik değerlere neden önem vermelisin?50 XP
- Eksiklikleri özetleme100 XP
- Eksiklikleri Tabloya Dökmek100 XP
- Eksiklik için diğer özetler100 XP
- Eksik değerleri nasıl görselleştiririz?50 XP
- İlk eksik veri görselleştirmen100 XP
- Eksik vakaları ve değişkenleri görselleştirme100 XP
- Eksiklik desenlerini görselleştirme100 XP
2
Eksik değerleri düzenleme ve toparlama
İkinci bölümde, "missing" veya "N/A" gibi gizli eksik değerleri nasıl ortaya çıkarıp `NA` ile değiştireceğini öğreneceksin. Ayrıca, açıkça listelenmeyen ancak eksik olduğu ima edilen örtük eksik değerleri verimli biçimde nasıl ele alacağını öğreneceksin. Eksik veri bağımlılığını keşfetmeyi de kapsıyor; Tamamen Rastgele Eksik (MCAR), Rastgele Eksik (MAR), Rastgele Olmayan Eksik (MNAR) durumlarını ve bunların veri analizine ne anlama geldiğini tartışıyoruz.
3
Eksik ilişkileri test etme
Bu bölümde, eksik verilerle çalışmaya yönelik iş akışlarını öğreneceksin. Özel veri yapıları olan gölge matrisini ve nabular veriyi tanıtıyor ve bunları eksik verileri keşfetme iş akışlarında, eksiklik özetlerini verideki değerlere geri bağlayabilmen için nasıl kullanacağını gösteriyoruz. Değerlerin, diğer değişkenler eksik hale geldikçe nasıl değiştiğini keşfetmek ve görselleştirmek için ggplot'u nasıl kullanacağını öğreneceksin. Son olarak, iki değişken üzerinde eksikliği nasıl görselleştireceğini ve bir saçılım grafiğinde eksikleri neden ve nasıl görselleştirmen gerektiğini öğreneceksin.
4
Noktaları birleştirmek (İmputasyon)
Bu bölümde, verindeki eksik değerleri doldurmaya, yani imputasyona dair bilgi edineceksin. Eksik değerleri nasıl imputasyonla dolduracağını ve takip edeceğini; imputasyonların iyi ve kötü yönlerini, böylece imputasyonlu veriyi özgün değerlerle karşılaştırarak nasıl keşfedeceğini, görselleştireceğini ve değerlendireceğini öğreneceksin. Farklı imputasyon modellerini nasıl kullanacağını, değerlendireceğini ve karşılaştıracağını ve farklı imputasyonların modellerden çıkarabileceğin sonuçları nasıl etkilediğini keşfedeceksin.
R
R'de Eksik Verilerle Başa Çıkma
Kurs
Tamamlandı
