Learn AI with Python · Ders

İki Değişkenli ve Çok Değişkenli Analiz

Saçılım grafikleri, çiftli grafikler, korelasyon ısı haritaları ve gruplanmış istatistikler.

İki Değişkenli ve Çok Değişkenli Analiz, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 3. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.

Tek Değişkenden Birçoğuna

İki değişkenli analiz, iki değişken arasındaki ilişkiyi inceler; çok değişkenli analiz ise aynı anda birkaç değişkene bakar.

Amaç; hangi özelliklerin birlikte değiştiğini bulmak, etkileşimleri fark etmek ve hangi değişkenlerin hedefinizi öngördüğüne karar vermektir.

plt.scatter ile Dağılım Grafikleri

Dağılım grafiği, iki sayısal değişkeni birbirine göre çizer; her nokta bir satırdır. Eğilimleri, kümeleri ve aykırı değerleri ortaya çıkarır.

import matplotlib.pyplot as plt
import seaborn as sns

plt.scatter(df["height"], df["weight"], alpha=0.4)
plt.xlabel("Height")
plt.ylabel("Weight")
plt.show()

Dağılım Grafiğini Okuma

Yöne (yukarı doğru = pozitif ilişki, aşağı doğru = negatif ilişki), güce (sıkı bant ile dağınık bulut arasındaki fark) ve şekle (doğrusal veya eğri) bakın.

Noktaları bir kategoriye göre renklendirmek ve grup yapısını ortaya çıkarmak için sns.scatterplot ile bir hue ekleyin.

sns.scatterplot(x="height", y="weight", hue="gender", data=df, alpha=0.5)
plt.show()

df.corr() ile Korelasyon

df.corr(), sayısal sütunlar arasındaki ikili Pearson korelasyonunu hesaplar: -1 ile +1 arasında bir sayı.

+1 → mükemmel pozitif doğrusal ilişki
0 → doğrusal ilişki yok
-1 → mükemmel negatif ilişki

corr = df.corr(numeric_only=True)
print(corr["price"].sort_values(ascending=False))

Korelasyon heatmap Grafikleri

Bir korelasyon matrisini heatmap olarak okumak daha kolaydır. Her hücrenin içindeki değerleri yazdırmak için annot=True aktarın.

Pozitif ve negatif korelasyonların farklı renklerle gösterilmesi için ayrışan bir renk haritası (örneğin coolwarm) kullanın.

corr = df.corr(numeric_only=True)
sns.heatmap(corr, annot=True, fmt=".2f", cmap="coolwarm", center=0)
plt.show()

Çoklu Doğrusal Bağlantıyı Fark Etme

İki özellik çok yüksek korelasyona sahip olduğunda (örneğin > 0.9), aynı bilgiyi tekrar ederler. Bu durum, doğrusal modelleri kararsızlaştırabilen çoklu doğrusal bağlantıdır.

heatmap, yinelenen çiftleri açıkça gösterir; böylece bunlardan birini kaldırabilirsiniz.

corr = df.corr(numeric_only=True).abs()
high = corr[(corr > 0.9) & (corr < 1.0)]
print(high.dropna(how="all"))

Korelasyon Nedensellik Değildir

Güçlü bir korelasyon, bir değişkenin diğerine neden olduğu anlamına gelmez. Her ikisi de gizli bir üçüncü değişkenden etkileniyor olabilir veya aralarındaki bağlantı bir tesadüf olabilir.

Korelasyonu hipotezler oluşturmak için kullanın; ardından bu hipotezleri alan bilgisi ve kontrollü analizle doğrulayın.

sns.pairplot ile Çiftli Grafikler

sns.pairplot, her sayısal sütun çifti için bir dağılım grafikleri ızgarası çizer; köşegen üzerinde histogramlar veya KDE grafikleri bulunur.

Tüm iki değişkenli ilişkileri aynı anda gözden geçirmenin en hızlı yoludur. Büyük veri kümelerinde sütun sayısını sınırlayın; işlem sütun sayısının karesiyle ölçeklenir.

sns.pairplot(df[["height", "weight", "age", "income"]], hue="gender")
plt.show()

Gruplandırılmış Kutu Grafikleri

Bir sayısal değişkeni bir kategorik değişkenle ilişkilendirmek için kategoriyi bir kutu grafiğinin x eksenine yerleştirin. Gruplar arasındaki dağılımları anında karşılaştırabilirsiniz.

sns.boxplot(x="city", y="income", data=df)
plt.xticks(rotation=45)
plt.show()

Gruplandırılmış Toplulaştırmalar

Sayılar grafikleri tamamlar. groupby ile agg kullanmak, bir sayısal sütunu kategoriler genelinde özetler.

Bu, tablo biçiminde çok değişkenli analizdir; ortalamaları, medyanları ve sayımları yan yana karşılaştırın.

summary = df.groupby("city")["income"].agg(["mean", "median", "count"])
print(summary.sort_values("mean", ascending=False))

Görsel Kodlamalarla Çok Değişkenli Grafikler

Görsel kodlamaları kullanarak üç veya daha fazla değişkeni tek bir grafiğe sığdırabilirsiniz: x, y, renk (hue) ve boyut.

Bu yöntem, ayrı grafikler oluşturmadan ilişkilerin üçüncü bir boyuta göre nasıl değiştiğini gösterir.

sns.scatterplot(x="height", y="weight", hue="age", size="income", data=df)
plt.show()

Hızlı Kontrol: Korelasyon Aralığı

df.corr() çalıştırıyor ve iki özellik arasında -0.85 değerini görüyorsunuz.

Özet: İki Değişkenli ve Çok Değişkenli Analiz

Artık değişkenler arasındaki ilişkileri inceleyebilirsiniz:

İki sayısal değişken için plt.scatter / sns.scatterplot
Korelasyon matrisi için df.corr() + sns.heatmap(annot=True)
Yüksek korelasyonlar çoklu doğrusal bağlantıya işaret eder (yinelenen özellikleri kaldırın)
Tüm çiftlere genel bakış için sns.pairplot
Sayısal-kategorik karşılaştırmalar için gruplandırılmış kutu grafikleri ve groupby().agg()

Sonraki bölümde özellikleri doğrudan tahmin hedefine bağlayacağız.

Sıkça Sorulan Sorular

“İki Değişkenli ve Çok Değişkenli Analiz” dersi ücretsiz mi?

Evet — “İki Değişkenli ve Çok Değişkenli Analiz” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.

“İki Değişkenli ve Çok Değişkenli Analiz” dersinde ne öğreneceğim?

Saçılım grafikleri, çiftli grafikler, korelasyon ısı haritaları ve gruplanmış istatistikler. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 3. dersidir.

“İki Değişkenli ve Çok Değişkenli Analiz” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← Learn AI with Python Sayfasına Dön