<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Ezgi ERDOĞAN on Medium]]></title>
        <description><![CDATA[Stories by Ezgi ERDOĞAN on Medium]]></description>
        <link>https://medium.com/@ezgiiierdogan?source=rss-27bea150d632------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*lECxkXG8x7NdaiwR</url>
            <title>Stories by Ezgi ERDOĞAN on Medium</title>
            <link>https://medium.com/@ezgiiierdogan?source=rss-27bea150d632------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 15:12:15 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@ezgiiierdogan/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Encoding/ Kategorik Verilerde Dönüşüm Python]]></title>
            <link>https://medium.com/@ezgiiierdogan/encoding-veri-tipleri-aras%C4%B1nda-d%C3%B6n%C3%BC%C5%9F%C3%BCm-python-d0aea77686e5?source=rss-27bea150d632------2</link>
            <guid isPermaLink="false">https://medium.com/p/d0aea77686e5</guid>
            <category><![CDATA[label-encoding]]></category>
            <category><![CDATA[one-hot-encoding]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[encoding]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Ezgi ERDOĞAN]]></dc:creator>
            <pubDate>Sun, 21 May 2023 22:14:30 GMT</pubDate>
            <atom:updated>2023-05-22T09:21:11.354Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/784/1*VKbp7Iax8UUGJ_A5HIH66g.png" /></figure><p><strong>Encoding/ Kategorik Verilerde Dönüşüm Python</strong></p><p>Makine öğrenmesinde veri ön işleme sırasında en çok karşılaştığımız konulardan biri de veri tipleri arasındaki dönüşümdür. Veri setinde kategorik ve nümerik veriler üzerinde çalışma yapıldığında, makineye öğretebilmek için veriyi sayısal olarak ifade edebilmek, yani kategorik veriyi sayısal veriye dönüştürmek gerekir. Peki nedir bu veri tipleri ve kategorik/nümerik veri bunlara bakalım.</p><p>Veri, kategorik ve nümerik veri olarak ikiye ayrılmaktadır. Kendi içlerinde de ölçeklere göre gruplara ayrılırlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/616/1*DylU8pl66wpH1fZ8tjn-Cg.png" /></figure><p><strong>Kategorik Veri ;</strong></p><p>Sayısal değere sahip olmayan, sayılamayan üzerinde sayısal işlem yapılamayan verilerdir. Evli/bekar, Eğitim durumu, cinsiyet, saç rengi, ünvan gibi veriler kategorik veriye örnektir. İki tür kategorik veri vardır;</p><p><strong>-Nominal Veri : </strong>Sayısal değeri olmayan aynı zamanda sıralanamayan verilerdir. Bu kategorideki veriler arasında bir üstünlük ilişkisi kurulamaz dolayısıyla sıralanamazlar. Cinsiyet, saç rengi, ülke, kan grubu gibi veriler bu kategoriye örnektir.</p><p><strong>-Ordinal Veri : </strong>Sayısal değeri olmayan fakat aralarında sıralanabilir olan verilerdir. Üstünlük ilişkisi içerirler. Ünvan, eğitim durumu, gelir durumu gibi veriler bu kategoriye örnektir.</p><p><strong>Nümerik (Sayısal) Veri;</strong></p><p>Sayısal değere sahip olan, üzerinde sayısal işlemler yapılabilen verilerdir. Boy, kilo, yaş, maaş gibi veriler bu kategoriye örnektir.İki tür nümerik veri vardır;</p><p><strong>-Oransal (Ratio) Veri: </strong>Sayısal nitelik taşırlar. Aralarında oranlanabilir bir ilişki bulunmaktadır. Başlangıç noktası sıfır kabul edilir. Boy,kilo,yaş bu kategori için örnektir.</p><p><strong>-Aralık Veri: </strong>Sayısal nitelik taşırlar. Aralarında oransal bir ilişki bulunmaz, başlangıç noktası sıfır kabul edilmez. Sıcaklık bu kategori için örnektir.</p><p>Kategorik verilerin Nümerik verilere dönüşümünde kullanılan birçok Encoding yöntemi vardır. Veri ön işleme sırasında sık kullandığımız klasik encoding yöntemleri üzerinden gidelim. Kısaca bu yöntemleri tanıyıp ufak bir örnek üzerinde görelim.</p><p><strong>Label Encoder :</strong></p><p>Label Encoder, veri ön işleme aşamasında kategorik verileri <strong>sayısal değerlere</strong> dönüştürmek için kullanılır. Örneğin, “kırmızı”, “mavi”, “yeşil” gibi kategorik renk etiketlerini 0, 1, 2 gibi sayısal değerlere dönüştürebilir</p><p><strong>One Hot Encoder :</strong></p><p>One Hot Encoder, kategorik verileri <strong>sayısal vektörler</strong> haline getirmek için kullanılır. Örneğin, bir veri setinde “kırmızı”, “mavi”, “yeşil” gibi renklerden oluşan bir kategorik sütun varsa, One Hot Encoder bu kategorileri ayrı ayrı sütunlara dönüştürür. Kırmızı için [1, 0, 0], mavi için [0, 1, 0], yeşil için [0, 0, 1] gibi bir dizi oluşturulur.</p><p><strong>Ordinal Encoder :</strong></p><p>Ordinal Encoder, kategorik verileri<strong> sıralı sayısal</strong> değerlere dönüştürmek için kullanılır. Örneğin, bir veri setinde “küçük”, “orta”, “büyük” gibi bir boyut kategorisi varsa, Ordinal Encoder bu kategorileri sırasıyla 0, 1, 2 gibi sayısal değerlere dönüştürür.</p><p>Önemli bir nokta, Ordinal Encoder’ın kategorik verilerin sıralamasını dikkate aldığı, ancak bu sayısal değerlerin arasında herhangi bir anlamlı mesafe veya oran olmadığıdır. Bu durum, bazı makine öğrenimi algoritmalarında yanıltıcı sonuçlara neden olabilir. Eğer veri setinde bir sıralama veya sıra önemli değilse, One Hot Encoder gibi yöntemler daha uygun olabilir.</p><p>Öncelikle veri setimizi yükleyelim. Görüldüğü gibi veri setimizde üç adet kategorik veri bulunan kolon mevcuttur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/641/1*raGmhK4Z7STt-B-p6oIb9w.png" /></figure><p><strong>Label Encoder</strong> dönüşümümüz ile başlayalım ;</p><p>Medeni durum için Label encoder dönüşümünü yapacak olursak ;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/318/1*nH34CO2AlxDGFJOWss0caw.png" /></figure><p>kodun çıktıları aşağıdaki gibidir ;</p><p>Label encoder ile medeni durumu kolonumuzun “1,0” sayı değerine dönüştürülmüş halini görüyoruz. Bu çıktıya göre 0:Married , 1:Single olarak sayısal forma dönüştürüldü.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/292/1*Zp6z1dX_oeau9Zn63byn7w.png" /></figure><p>Label Encoder için dikkat etmemiz gereken bir diğer husus ; binary(ikili) kategorik değerler için kullanılır. İkiden fazla değer olursa örneğin ülkeler, 0: TR, 1:FR, 2:USA gibi düşünelim modeli eğitirken USA ,FR ve TR’den daha yüksek önceliğe sahip ya da büyük-küçük gibi yanlış yorumlamaya sebebiyet verebilir. Fakat ülkeler arasında böyle bir büyük-küçük ilişkisi yoktur. Bu yüzden ikiden fazla gözlem değeri bulunan değişkenler One Hot Encoder yöntemi ile çözümlenir.</p><p><strong>One Hot Encoder</strong> ile devam edelim ;</p><p>Örneğimizde, matris formatının görülebilmesi için medeni durum kolonu içinde one hot encoder yapacağız. (eğitim kolonumuz için de one hot encoder kullanılabilir, ben bu örnek de ordinal encoder kullandım.)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/280/1*V4YyAQK5HUXdtgBsv_SAYQ.png" /></figure><p>kodun çıktısı aşağıdaki gibidir ;</p><p>bu kısımda da one hot encoder ile medeni durum kolonumuzun vektörel sayılara dönüştürülmüş halini görüyoruz. Bu yöntem, ikiden fazla değer içeren değişkenlerde daha sık kullanılmakla birlikte veri setinin daha iyi eğitilmesini sağlamaktadır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/233/1*71sgV7H8_X0ZJP98lylkag.png" /></figure><p>Veri setimizdeki eğitim kolonumuz için <strong>ordinal encoder</strong> dönüşümü ;</p><p>Bu değerimiz büyük-küçük ilişkisi içerdiği için ordinal encoder kullanılıyor fakat veri seti hikayemizde bu büyük-küçük ilişkisi yoksa one hot encoder kullanmak daha doğru sonuç verecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*NLQOcLthwqDXAG9o3z3uyw.png" /></figure><p>Görüldüğü gibi eğitim durumumuz küçükten büyüğe şeklinde yazılmıştır.</p><p>Kodun çıktısı :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/614/1*QdlOCW6yiUHsizTImeGOkA.png" /></figure><p>gözlem değerlerimiz sıralandıktan sonra çıktımız;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/387/1*5bXx1qnuyQHzZD817hwHxg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/131/1*oDl9cgnfh6mDIQ2njkHGmg.png" /></figure><p>Eğitim değişkenimiz de kategorik değerler sıralı sayısal değerlere dönüşmüştür.</p><p>Kategorik dönüşümünü tamamladığımız veri setimiz son olarak birleştirme işlemleri ile aşağıdaki formu almıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/550/1*rL0DaRN7DCwQyuPK2nzW9g.png" /></figure><p>Veri setimizde encoding işlemi için bazı kolonlar çıkarılmıştır. Veri setimizin tamamına ve kodlara ulaşmak için :</p><p><a href="https://github.com/EzgiiErdogan/Encoding-categorical-data-transformations.git">GitHub için tıkla!</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d0aea77686e5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Hep mi Eksik Veri ?]]></title>
            <link>https://medium.com/@ezgiiierdogan/hep-mi-eksik-veri-f221e91b299b?source=rss-27bea150d632------2</link>
            <guid isPermaLink="false">https://medium.com/p/f221e91b299b</guid>
            <category><![CDATA[data-imputation]]></category>
            <category><![CDATA[missing-values]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Ezgi ERDOĞAN]]></dc:creator>
            <pubDate>Tue, 16 May 2023 21:15:34 GMT</pubDate>
            <atom:updated>2023-05-16T21:15:34.612Z</atom:updated>
            <content:encoded><![CDATA[<h3>Hep mi Eksik Veri ?</h3><p><strong>Eksik Verileri Temizleme/İyileştirme Yöntemleri Python</strong></p><p>Data üzerinde işlem yaparken çok sık karşılaştığımız sorunlardan biri olan “eksik veri” problemine bir göz atalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/523/1*-T2ImNIueLs5A1DJndu77w.png" /></figure><p><strong>Hep Mi Eksik Veri ?</strong></p><p>Eksik veriler, zaman zaman farklı veri setlerinde karşımıza çıkabilir. Peki her gördüğümüz “0” değeri ya da “NaN” değeri eksik verimidir? Üzerinde çalıştığımız veri setimizde eksik verilerin olup olmadığını tespit edebilmek için öncelikle veri setimizi doğru tanımamız gereklidir. Örneğin arabası olmayan bir birey için veri kolonumuzda herhangi bir değer yazmıyor olabilir bu durum bize ilk bakışta verimizin eksik olup olmadığını göstermemektedir. Konuyu, bireyin arabasının olmadığını ya da o verinin gerçekte girilmediğini gösteren iki ihtimal ile ele alırız. Bu sebeple, veri setimizi doğru tanımak önemlidir. Eğer verimiz gerçekte var ve veri setimize girilmemiş ise ya da bariz bir eksik veri problemi ile karşılaştıysak birkaç temizleme/iyileştirme yöntemi kullanabiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/488/1*2TFVWLDqnB6DGeaAFvWSwA.png" /></figure><p>Öncelikle, “Silme” yöntemimiz daha kolay bir yöntem olsa dahi önemli bir verinin kaybına neden olmamak için genelde tercih edilmeyen bir yöntemdir. Aksi durumlar tespit edilir ve analiz için önemli olmadığı düşünülen durumlarda veya o verinin kaybının çok etki yaratmayacağı görülen veri setlerinde uygulanabilir.</p><p>“Temizleme/İyileştirme” yöntemimiz de ise en yaygın olanlara basit bir uygulama üzerinden göz atalım.</p><p>Öncelikle veri setimizde hangi kolon da kaç eksik veri olduğunu öğrenelim</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/365/1*RDGEYaiMlgEIkW_1UpL4Vg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/154/1*B7ucl_MpPfTphp94ATVc0A.png" /></figure><p><strong>Ortalama, Medyan ve Mod Yöntemi</strong></p><p>Bu yöntem eksik verileri tamamlanmasında en sık kullanılan yöntemlerden biridir. Veri setinin yapısını bozmadan verilerin ortalamaları, medyanları veya modları alınarak elde edilir. Genel de küçük veri setlerinde kullanılır. Elimizdeki örnekte küçük bir veri setimiz de bu yöntemleri deneyeceğiz.</p><ul><li><strong>mean ;</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/470/1*mtPHa0Cp2eDKgSPJx1MQ9Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/328/1*FrUwN4h1UG-2BdKyTI3ISg.png" /></figure><p>Görüldüğü gibi NaN olan değerlerde ortalama “75.2143” değeri ile eksik verimizi tamamlıyoruz.</p><ul><li><strong>most frequent ;</strong></li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*rVp3Q9bHU-_InTbK3k_uQg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/327/1*yW9-E9yT8qMn-Kuyf3JOKA.png" /></figure><p>Bu yöntemde de görüldüğü gibi en çok tekrar eden değer “55” olarak NaN değeri yerine tamamlanmış oldu.</p><p><strong>-median ;</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/441/1*JoBkDc0m-dPbHS31lI9AKQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/324/1*OfauBqTNmYvQt5aIFn4aJA.png" /></figure><p>Bu yöntemde de görüldüğü gibi eksik verimiz “75.5” değeri ile tamamlanmıştır.</p><p>Bu üç yöntem en sık kullanılan yöntemler olmakla birlikte regresyon yöntemi ve KNN gibi çok meşhur yöntemlerde kullanılmaktadır.</p><p><a href="https://github.com/EzgiiErdogan/Imputation-of-Missing-Value.git">GitHub için Tıkla!</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f221e91b299b" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>