【机器学习笔记（七）】之泰坦尼克号获救问题 求解思路（完整代码-详细注释）

本文章由公号【开发小鸽】发布！欢迎关注！！！

老规矩–妹妹镇楼：

泰坦尼克号获救问题(线性回归 / 逻辑回归 / 随机森林 求解思路)

一. 预处理 数据表格

1. 首先分析表格中的数据，可以看到 Age 列中的数据是有缺失的，因此，需要补齐所有空缺的Age数据，用中位数。
2. 再看Sex列中的性别字符串转换成 数字，便于计算。将所有 male替换为 0， female 替换为1。
3. 同理， Embarked 列也要转换成数字，由于该列中依然有缺失，需要填充，那就填充出现次数最多的S，再进行准换。

        数据预处理结束后，表格中的数据被补齐了，可以进行计算操作了。

二. 交叉验证

1. 设置验证集的原因

        在机器学习建模过程中，将数据分为训练集和测试集。测试集合训练集是完全分开的两个数据集，完全不参与训练，只是用于模型最终确定后，来测试模型的效果。而训练集又要分出一部分数据用来验证模型的训练效果，即验证集。验证集在每次训练集训练结束后，对模型的效果进行初步地测试。之所以要设置验证集，是因为训练数据会有过拟合的情况出现，即训练数据能够很好地匹配训练数据，但对于训练数据之外的数据效果非常差。验证集不参与训练，可以客观地评价模型对于训练集之外的数据的匹配度。

2. 交叉验证原理

        交叉验证经常用于数据的验证，原理是将数据分为 n 组，每组数据都要作为一次验证集进行一次验证，而其余的 n-1 组数据作为训练集。这样一共要循环 n 次，验证 n 次，得到 n 个模型，这 n 个模型得到的 n 个误差计算均值，得到交叉验证误差。

三. 训练

        设置 输入特征，标签，交叉验证，将验证结果与真实数据进行比对，计算准确率。

        线性回归，逻辑回归，随机森林只是不同的分类器。

四. 代码如下，代码中有非常详细地注释：

import pandas as pd
titanic = pd.read_csv("titanic_train.csv")
#print(titanic.head())
#print(titanic.describe())

#预处理 数据表格
"""首先分析表格中的数据，可以看到 Age 列中的数据是有缺失的，
因此，需要补齐所有空缺的数据，用中位数"""
titanic["Age"] = titanic["Age"].fillna(titanic["Age"].median())
#print(titanic.describe())

# Sex列中的性别字符串转换成 数字，便于计算
# Sex 列中的单独值
#print( titanic["Sex"].unique())
#将所有 male替换为 0， female 替换为1
titanic.loc[titanic["Sex"]=="male", "Sex"] = 0
titanic.loc[titanic["Sex"]=="female", "Sex"] = 1
#print(titanic["Sex"].unique())

#同理， Embarked 列也要转换成数字
#print(titanic["Embarked"].unique())
#由于该列中依然有缺失，需要填充，那就填充出现次数最多的S
titanic["Embarked"] = titanic["Embarked"].fillna('S')
titanic.loc[titanic["Embarked"]=="S", "Embarked"] = 0
titanic.loc[titanic["Embarked"]=="C", "Embarked"] = 1
titanic.loc[titanic["Embarked"]=="Q", "Embarked"] = 2
#print(titanic["Embarked"].unique())

#数据预处理结束

"""线性回归"""
#需要用到 sklearn这个库里的 线性回归
from sklearn.linear_model import LinearRegression
# 数据的交叉验证，即数据分为训练集与测试集，而训练集又细分为训练集与验证集，
# 训练集与验证集通过多次的交叉，如训练集被分为4份，1， 2， 3， 4，第一次交叉验证是用
# 1,2,3训练，4来验证；第二次交叉验证是用1,2,4来训练，3来验证
from sklearn.model_selection import KFold

#数据的输入特征
predictors = ["Pclass", "Sex", "Age", "SibSp", "Parch", "Fare", "Embarked"]

#初始化一个线性回归训练器
alg = LinearRegression()

"""
通过交叉验证 KFold 生成 训练集与验证集
参数n_splits:将训练集分为 n 份，n份数据，每一份都要作为作为一次验证集来验证训练的结果，一共 n 次循环，其余n-1份数据作为训练集进行训练。
参数 shuffle:表示是否打乱数据的顺序 ，bool 类型
参数 random_state: 同一个数字保证每次循环都是分成同样的份
"""
kf = KFold(n_splits=3, shuffle=False, random_state=None)

#验证集的结果
predictions= []
for train_index, test_index in kf.split(titanic):
    #检查 训练集 与 验证集的大小
    #print(type(train_index))
    #print(train_index.size)
    #print(test_index.size)

    #训练输入特征集
    train_predictors = (titanic[predictors].iloc[train_index,:])
    #训练的标签集
    train_target = titanic["Survived"].iloc[train_index]
    #用线性回归训练器训练数据, 输入特征，标签
    alg.fit(train_predictors, train_target)
    #训练完数据后，用验证集对训练结果进行验证， 每次 1/3的数据量验证，3次，全部验证完
    test_prediction = alg.predict(titanic[predictors].iloc[test_index,:])
    #将验证结果加入验证结果列表中
    predictions.append(test_prediction)

#print(type(predictions))       list
#print(len(predictions[0]))     297
#print(type(predictions[0]))    ndarray
#print(predictions[0].shape)   297,1

"""获得所有数据的验证结果后，就要来计算一下这个模型的准确率，
即正确预测存活率这个标签的概率。
"""
import numpy as np

#将所有的验证结果整合成一列
predictions = np.concatenate(predictions, axis=0)
#print(predictions.shape)    891,1

#验证结果以 0.5为基准，大于0.5为存活，不大于0.5为死亡
predictions[predictions > .5] = 1
predictions[predictions <= .5] = 0
#计算正确率, 将验证结果集与真实数据比较，得出比对正确的索引
accuracy = sum(predictions == titanic["Survived"]) / len(predictions)
print(accuracy)

"""
    逻辑回归计算
"""
from sklearn.model_selection import cross_val_score
from sklearn.linear_model import LogisticRegression

#初始化分类器
alg2 = LogisticRegression(random_state=1)
#同样交叉验证，用另一种方法， cross_validation
scores = cross_val_score(alg2, titanic[predictors], titanic["Survived"], cv=3)
#求取结果的均值，因为交叉验证的每一份都计算了准确率
print(scores.mean())

"""
用集成算法来提高结果的准确性，随机森林
"""
#随机森林分类器
from sklearn.ensemble import RandomForestClassifier
"""
随机森林分类器的参数:
n_estimators: 随机森林中树的个数
min_samples_split: 剪枝时限制的最小深度
min_samples_leaf: 剪枝限制的叶子节点的最小样本数
"""
#初始化随机森林分类器
alg3 = RandomForestClassifier(n_estimators=100, min_samples_split=4,min_samples_leaf=4, random_state=1)
#交叉验证
kf3 = KFold(n_splits=3,shuffle=False, random_state=1)
#计算每次交叉验证的均值
scores3 = cross_val_score(alg3, titanic[predictors], titanic["Survived"], cv=kf3)
print(scores3.mean())