-
Notifications
You must be signed in to change notification settings - Fork 2
/
aykiri-gozlemler.R
217 lines (162 loc) · 5.68 KB
/
aykiri-gozlemler.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
#AYKIRI GÖZLEMLER
#AYKIRI GÖZLEMLER 20 YIL ÖNCE VERİSETİNİ BOZAN DEĞERLER OLARAK GÖRÜLÜP SİLİNİRKEN,
#ARTIK VERİNİN EN DEĞERLİ KISMI OLARAK GÖRÜLÜYOR.
#ÖZELLİKLE SİBER GÜVENLİK, HİLELİ İŞLEMLER, SAHTECİLİK GİBİ KONULARDA AYKIRI GÖZLEMLER
#ALTIN DEĞERİNDEKİ VERİYİ BARINDIRIRLAR. ÇÜNKÜ BU KONULARDA ULAŞMAK İSTEDİĞİMİZ ASIL ŞEY
#TAM DA BU AYKIRILIK İLE İLİŞKİLİDİR.
#YANİ AYKIRI GÖZLEMLER DOLDURULMAK, TAHMİN EDİLMEK VEYA SİLİNMEK ZORUNDA DEĞİLDİR.
### İSTATİSTİK AYKIRI OLANI BULMAKLA İLGİLENİR. ###
### YOKSA ORTALAMAYI BULMANIN KİMSEYE BİR FAYDASI YOKTUR. ###
set.seed(54)
veri <- rnorm(100)
summary(veri)
sd(veri)
veri <- c(veri, c(4,5,6))
summary(veri)
sd(veri)
boxplot(veri)
boxplot.stats(veri)$out #aykırı gözlemlerin değerleri
which(veri %in% boxplot.stats(veri)$out)
#boxplotstats ile alınan değerlerin indekslerini getir dedik.
#ŞİMDİ İKİ GÖZLEMİMİZ OLSUN VE BU İKİ GÖZLEMİN KESİŞİMİNDEKİ AYKIRI GÖZLEMLERE
#ERİŞMEK İSTEDİĞİMİZİ DÜŞÜNELİM
set.seed(54)
x <- rnorm(100)
x <- c(x, c(4,5,6))
set.seed(455)
y <- rnorm(100)
y <- c(y, c(10,11,12)) #yine aynı indeslere aykırı gözlemler ekledik
df <- data.frame(x,y)
df
a <- which(df$x %in% boxplot.stats(df$x)$out)
b <- which(df$y %in% boxplot.stats(df$y)$out)
a
b
intersect(boxplot.stats(df$x)$out, boxplot.stats(df$y)$out) #kesişen değerler var mı bakalım
#burada bizim değerlerimiz farklı (4,5,6) ve (10,11,12). O yüzden göstermedi
ortak <- intersect(a,b) # bu şekilde ise kesişen aykırı değerlerin indekslerine ulaşabiliriz.
ortak
plot(df)
#aykırı gözlemler plot fonksiyonunda da görülüyor zaten
points(df[ortak, ], col="red", pch="x", cex=2)
ortak_tum <- union(a,b) #ikisinin birleşimini gösterir.
ortak_tum
length(ortak_tum)
plot(df)
# şimdi bütün aykırı gözlermleri çizdirelim
points(df[ortak_tum, ], col="blue", pch="+", cex=2)
#AYKIRI GÖZLEMLERİ SİLME
str(df)
df_temiz <- df[-ortak_tum, ]
str(df_temiz) #gördüğümüz gibi 103 değişkenden 97 ye düştü ve 6 aykırı gözlem silindi
#AYKIRI GÖZLEMLERİ ORTALAMA İLE DOLDURMA
df
a <- which(df$x %in% boxplot.stats(df$x)$out)
b <- which(df$y %in% boxplot.stats(df$y)$out)
df[a, ]$x
df[b, ]$y
mean(df$x)
mean(df$y)
df[a, ]$x <- mean(df$x)
df[b, ]$y <- mean(df$y)
df[a, ]$x
#AYKIRI GÖZLEMLERİN BASKILANMASI
set.seed(54)
x <- rnorm(100)
x <- c(x, c(4,5,6))
set.seed(455)
y <- rnorm(100)
y <- c(y, c(10,11,12)) #yine aynı indeslere aykırı gözlemler ekledik
df <- data.frame(x,y)
df
a <- which(df$x %in% boxplot.stats(df$x)$out)
b <- which(df$y %in% boxplot.stats(df$y)$out)
#ŞİMDİ AYKIRI GÖZLEMLERİ 3. ÇEYREK DEĞERİ İLE DOLDURUP BASKILAYALIM
summary(df) #summary fonksiyonunun 5. elemanı 3. çeyrek değeri oluyor
summary(df)[5]
#fakat summary yazıyı da (3rd Qu: 0.641) içeriyor
#o yüzden beşli istatistiği direk sayı olarak veren fivenum ı kullanacağız
df[a, ]$x <- fivenum(df$x)[4]
summary(df)
df[a, ]$x
#hepsini 3. çeyrek değeri ile doldurmuşuz
#ama ortalamadan küçük olanları 1. çeyrek, büyük olanları 3. çeyrek ile doldurmak daha doğru
# aynı işlemi y değişkeni için de yapalım ama
# bu sefer x değişkeni tarafı dolu olduğuna göre y değişkenini tahmin ederek dolduralım
# AYKIRI GÖZLEMİ TAHMİNLE DOLDURMA
df[b, ]$y
#tahmin ile doldurmayı eksik gözlemlerle yapabiliyoruz dolayısıyla
#bu aykırı değerleri na ile doldurup sonra tahmin edeceğiz.
df[b, ]$y <- NA
df[a, ]$x
#tahmin yapabilmek için veriyi genişletelim başka kolonlarla
df <- data.frame(df, z=rnorm(103), t=rnorm(103), k = rnorm(103))
df
#ŞİMDİ RANDOM FORESTS İLE TAHMİN EDİP DOLDURALIM
library(missForest)
rf_data <- missForest(df)
rf_data <- rf_data$ximp
rf_data[b, ]$y
df[b, ]$y
#b,r de knn ile deneyelim doldurmayı
library(DMwR)
knn_data <- knnImputation(df)
knn_data[b, ]$y
#karşılaştıalım iki algoritmayı
summary(knn_data[b, ]$y)
summary(rf_data[b, ]$y)
plot(df$y, col="green")
points(rf_data[b, ]$y, col="red", pch="r", cex=0.8)
points(knn_data[b, ]$y, col="blue", pch="k", cex=0.8)
#karar veremedim hangisi iyidir.
# LOCAL OUTLİER FACTOR
#BİR NOKTANIN BULUNDUĞU YERİN YOĞUNLUĞUNUN KOMŞULARIN YOĞUNLUĞU İLE KARŞILAŞTIRILMASI
df <- iris
str(df)
summary(df)
#kategporik değişkeni almayacağız,
#çünkü kullanacağımız algoritma sadece numerik değişkenlerle çalışıyor
df <- df[,1:4]
aykiri_skor <- lofactor(df, k = 5)
plot(density(aykiri_skor))
#şimdi skoru sralayalım
order(aykiri_skor, decreasing = T)[1:5]
#aykırı skor içindeki indeskler bunlar. şimdi bu indekslerdeki değerlere erişelim
indeksler <- order(aykiri_skor, decreasing = T)[1:5]
df[indeksler, ]
#AYKIRI GÖZLEMLERİ GÖRSELLEŞTİRMEK
df <- iris[,1:4]
n <- nrow(df)
etiektler <- 1:n
aykirilar <- order(aykiri_skor, decreasing = T)[1:5]
etiektler[-aykirilar] <- "."
biplot(prcomp(df), cex=1, xlabs = etiektler)
pch <- rep(".", n)
pch
pch[aykirilar] <- "+"
pch
col <- rep("black", n)
col
col[aykirilar] <- "red"
pairs(df, pch = pch, col = col)
#aykırı gözlemleri kümeleme yöntemiyle doldurmak
df <- iris[,1:4]
k_ort <- kmeans(df, centers = 3)
plot(df, col=k_ort$cluster)
k_ort$centers #mkümelerin merkez noktalarının değerleri
k_ort$cluster #kümelerin numarası
merkez_df <- k_ort$centers[k_ort$cluster, ]
uzakliklar <- sqrt(rowSums(df, merkez_df)^2)
aykirilar <- order(uzakliklar, decreasing = T)[1:10]
print(df[aykirilar, ])
plot(df[c("Sepal.Length", "Sepal.Width")],
pch=".", col=k_ort$cluster,
cex=6)
points(k_ort$centers[, c("Sepal.Length", "Sepal.Width")],
pch=8, col=1:3,
cex=3)
points(df[aykirilar, c("Sepal.Length", "Sepal.Width")],
pch="+",
cex=3,
col="blue"
)