Kaggle首戰：泰塔尼克號生存率預測

www.kaggle.com

Titanic比賽分析

1.項目背景

泰塔尼克號上女性，孩子和上層階級生還率高於其他群體，由此，預測不同身份乘客的生還率，以下是截取Kaggle中該項目的介紹：

2.分析思路

按照數據分析的6個步驟，具體看以下思維導圖：

3.步驟實施

3.1 數據採集

在Tatanic比賽頁面下載數據，格式為CSV

3.2 導入數據

為了方便數據的清洗，使用append()方法合併訓練數據和測試數據

3.3 查看數據集

使用full.info()函數查看每列數據的缺失情況：

可以看到age、cabin(船艙)、Embarked(上岸口)、Fare(船票)這4個列均有缺失數據，這就是下一步的工作重點了。

3.4 數據清洗

3.4.1 Age年齡和Fare船票價格用平均值填充，使用fillna()函數

3.4.2 Embarked(上岸口)用眾數填充

先查看岸口最多是哪一個，再使用最多的港口S填充

3.4.3 cabin（船艙）由於缺失值較多，固用Unknow填充

以上，缺失數據均補充完整，接下來看特徵工程。

3.5 特徵工程

在數據領域有這樣一句話：數據和特徵決定了機器學習的上限，模型和演算法逼近這個上限。所以，從原始數據中提取特徵的好壞直接影響模型的效果。特徵工程就是從原始數據中最大限度的提取特徵，以供機器學習和演算法使用。

一般有以下3種數值類型，——後是特徵提取方法

1、數值類型——直接使用

2、時間序列（經過長期重複測量而形成的時間序列）——轉換成單獨的年月日

3、分類數據（性別）——用啞變數（虛擬變數）代替。如男=1，女=0。若類別超過2個，用one-hot編碼。

接下來，我們逐一對5個變數進行特徵提取

3.5.1 Sex性別

使用map函數，對數據集重新定義

3.5.2 Embarked登錄港口

使用啞變數重新賦值

3.5.3 Pclass客艙登記

3.5.4 Cabin客艙類別

3.5.5 Parch和SibSp

SibSp：表示船上兄弟姐妹數和配偶數量，理解為同代直系親屬數量，

Parch：表示船上父母數和子女數，理解為不同代直系親屬數量。

據此，這兩個數據可用來衡量乘客的家庭大小，而家庭的大小規模肯定會影響乘客的生還幾率，因此可創建衡量家庭規模的變數familySize。

3.5.6 字元串（Name姓名）的特徵提取

仔細觀察可以發現，Name的欄位中包含有Mr、Miss 等身份信息，我們可以用spilt()函數將有效欄位分割出來

分割出後我們來定義頭銜

提取完以上特徵後，均使用concat（）函數將新的特徵加入數據集中，並刪除原來的欄位，以Embarked為例

最終得到了一個33列的數據集合

3.6 特徵選擇

我們使用相關係數法，選取和survived相關的特徵值：

並查看各個特徵和survived關係大小排序

根據各個特徵與生成情況（Survived）的相關係數大小，選擇幾個欄位進行輸入：頭銜（前面所在的數據集titleDf）、客艙等級（pclassDf）、家庭大小（familyDf）、船票價格（Fare）、船艙號（cabinDf）、登船港口（embarkedDf）、性別（Sex）。並重新構建數據集：

4. 構建模型

4.1 截取出訓練數據和預測數據集

交叉檢驗

4.2 選擇機器學習演算法並檢驗準確性

此處我們用邏輯回歸演算法

看到測試數據的準確度為81%

5. 模型評估

對預測數據中的生存情況進行預測

最後一步，將結果上傳到Kaggle中，看排名情況：

哈哈，可以看得本次得到5404名，top49%，以後會繼續優化模型。爭取進10%。

以上就是本次的實驗哦，希望大家多多點贊支持~~~