Kaggle Titanic Disaster Competetion

最新推荐文章于 2023-08-24 05:16:18 发布
最新推荐文章于 2023-08-24 05:16:18 发布
阅读量684 收藏
点赞数
分类专栏： Python编程 机器学习 数据分析 文章标签： 深度学习 pytorch 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gzroy/article/details/122167354
版权

好久之前在Kaggle上面写的一个notebook, 关于如何用数据科学的方法来对泰坦尼克号数据集进行分析和预测生还者的，有兴趣的朋友可以参考一下

Roy's Titanic Notebook | Kaggle

gzroy
关注
专栏目录
kaggle titanic （1）
iceberb的博客
06-12 2673
下好了训练集 测试集 上传示范文件  开始着手做ide 为 jupyter notebook 语言为python载入数据库import pandas as pd import matplotlib.pyplot as plt import numpy as np获取数据train = pd.read_csv('train.csv') test = pd.read_csv('test.csv')...
Kaggle之Titanic: Machine Learning from Disaster
爱妍妍的博客
03-12 2330
一般的工作流程 问题的定义 数据假设 工作目标 分析数据 查看数据分布 通过图表分析数据 数据分析结论 特征处理 Correcting by dropping features Creating new feature extracting from existing Converting a categorical feature Create new feature combining exis
kaggle Titanic 数据集下载
weixin_44748789的博客
04-29 3706
链接：https://pan.baidu.com/s/1kEcyx7lwAdMNYTvM4WhhFw 提取码：3gog
Kaggle分类问题Titanic——Machine Learning from Disaster
Fishermen_sail的博客
08-24 907
这是我在大三选修课的课程设计，内容整体比较基础，结构相对完整，便于初学者学习。这个是一个分类问题，我的另外一篇博客“”介绍了回归问题。除此之外我的《电商评论文本挖掘》也是我当年的课程设计，也有详细的批注，相比这个难度会稍微高些。题目背景：在1912年4月15日，当时世界最豪华的游艇，泰坦尼克号撞到冰山沉入海底，其中船上2224位乘客中的1502位死在了此次事故中。在幸存者中，尽管有一些是来自于幸运，但是大部分幸存着是来自于女人、小孩还有一些贵族。而我们的任务就是通过机器学习，计算出人们幸存的概率。变量。
kaggle titanic数据集
最新发布
02-22
其中，“kaggle titanic数据集”是一个非常经典的案例，它源自于1912年泰坦尼克号的沉船事件，这个事件震惊了世界，成为了历史的一部分。该数据集免费提供，旨在帮助初学者和专业人士提升数据分析和机器学习技能。 ...
kaggle titanic数据
07-31
【标题】"kaggle titanic数据"是一个著名的机器学习竞赛数据集，源自于1912年泰坦尼克号沉船事件。这个数据集被广泛用于初学者和专业人士进行机器学习模型训练，特别是分类问题的实践。它涉及到的是一个二分类任务，...
kaggle titanic测试集答案
08-30
kaggle泰坦尼克号测试集答案，亲测满分。
kaggle titanic
09-09
在数据科学领域，Kaggle平台上的"Titanic: Machine Learning from Disaster"是一个经典的入门级竞赛，吸引了无数新手和资深数据科学家参与。这个挑战的核心目标是根据泰坦尼克号乘客的数据，预测在1912年沉船事件中...
kaggle-titanic:Kaggle Titanic Comp
07-06
这是我在参加 Kaggle 泰坦尼克号比赛时编写的 python/scikit-learn 代码。 有几种不同算法的代码，但主要和性能最高的一种是在 randomforest2.py 中实现的 RandomForest。 要求： python（2.x 版本至少为 2.6） ...
基于Tensorflow的Resnet程序实现（CIFAR10准确率为91.5%）
热门推荐
09-07 2万+
       在上一篇博文中我重写了Tensorflow中的CNN的实现，对于CIFAR10的测试集的准确率为85%左右。在这个实现中，用到了2个卷积层和2个全连接层。具体的模型架构如下：        为了进一步提高准确率，我们可以采用一些更先进的模型架构，其中一种很出名的架构就是RESNET，残差网络。这是Kaiming大神在2015年的论文"Deep Residual Learning...
解读YOLO v7的代码(三)损失函数
02-09 1万+
对Yolov7的代码进行分析，研究其正样本生成机制以及损失函数
基于Tensorflow的Imagenet数据集的完整处理过程（包括物体标识框BBOX的处理）
01-06 1万+
最近比较忙，好久没更新博客了。 上一篇博客是关于对Imagenet数据集进行预处理的，虽然能给Tensorflow的后续训练提供数据，但是我觉得还是有改进的空间，主要包括了两点： 数据集中还提供了很多图片的bounding box，这个bounding box是人工进行的标注，准确的标注了图片中对应类别的物体的具体位置。在之前的数据集预处理中没有包括这一部分。即使我们现在做的模型是做类别判断，...
从零开始用Tensorflow实现YOLO物体检测算法
04-21 1万+
一直对物体检测算法很感兴趣，记录一下自己用Tensorflow来重现YOLO论文的过程。这里的程序代码都是个人原创。 我认为YOLO论文是一个开创性的研究成果，通过对图像划分多个网格，并对网格的物体进行预测，在速度上大大领先其他的物体检测算法，例如Regional CNN，Faster RCNN等。YOLO的论文写的不是太好读懂，特别是关于LOSS函数的计算这一部分。网上对于YOLO论文的解读有...
YOLO V3基于Tensorflow 2.0的完整实现
06-21 8703
YOLO V3版本是一个强大和快速的物体检测模型，同时原理上也相对简单。我之前的博客中已经介绍了如何用Tensorflow来实现YOLO V1版本，之后我自己也用Tensorflow 1.X版本实现了YOLO V3，现在Tensorflow演进到了2.0版本，相比较１.X版本做了很大的改进，也更加易用了，因此我记录一下如何用Tensorflow 2.0版本来实现YOLO V3。网上能找到的很多Te...
自动驾驶模拟工具CARLA的安装
11-25 7873
最近研究了一下自动驾驶的模拟器Airsim和CARLA，准备搭建一个学习环境来学习自动驾驶的相关知识。 Airsim最初是微软推出的一个模拟飞行的平台，之后增加了模拟驾驶的内容，这个平台据网上的资料是微软的一个较小的开源项目，因此也没有得到太大的重视，我看了一下平台好像也好久没有更新了，平台上的问题也没有什么人解答。我在Linux环境上下载的City Environment始终解压有问题，看到平...
用Tensorflow来预处理Imagenet数据
10-27 7751
[备注：我的另外一篇博文对这个Imagenet的数据处理过程有更新，请参考： https://blog.csdn.net/gzroy/article/details/85954329] 最近想以Imagenet 2012图像分类大赛的数据来进行训练和测试，看看如何能利用这么大量的图像数据来完善卷积神经网络模型。之前做的基于Cifar10的数据量还是大小了，类别也不够多。Imagenet的数据总共...
强化学习的A3C算法应用（训练Atari游戏）
01-28 7544
A3C算法的全称是Asynchronous Advantage Actor-Critic，异步优势执行者/评论者算法。这个算法和优势执行者/评论者算法的区别在于，在执行过程中不是每一步都更新参数，而是在回合结束后用整个轨迹进行更新。因此可以让多个Worker来进行轨迹的搜集和参数更新。每个执行者的更新都是异步的。这个算法与优势执行者/评论者算法相比，优点在于可以大大提高执行效率，因为对于策略更新算法来说，最耗时间的是在轨迹的搜集部分。 算法的步骤如下： 输入：环境 输出：最优策略的估计 参数：优化器
基于Tensorflow实现一个Transformer翻译器
04-27 6654
Transformer是谷歌在2017年的一篇论文"Attention is all you need"提出的一个seq2seq的模型架构，其创造性的提出了自注意力的思想，可以很好的表达序列中各个单词之间的相互注意力关系。这个模型在NLP领域取得了巨大的成功。此外这个模型架构在最近几年也在CV领域取得了令人瞩目的进展，在图像识别，目标检测等方面都达到或超过CNN模型的性能。因此Transformer可以说是人工智能领域最近最值得关注和学习的一个架构。目前有网上已经有很多文章详细解读了Transformer的
kaggle titanic 生存预测
09-02
根据引用的分析,在进行Kaggle Titanic生存预测时，可以将乘客的年龄、性别和船票等级作为重点数据进行分析。乘客的家属数量可能对生存率有影响，但需要与其他信息一起探讨，例如乘客是否是船上所有家属中最年轻的一个。船票编号、价格和客舱号可以视为一类信息，与船票等级可能有关联。而最后一个登船港口对生存率的影响暂时被假设为无关，因为仅凭几百条数据很难确定其影响。 引用和可以看到，登船地点对生存率有一定的影响。在S港口登船的人数最多，C港口次之，Q港口最少。在S港口登船的乘客生存率较低，而在C港口登船的乘客生存率较高。另外，在不同登船港口的女性乘客占比也不同，C港口的女性乘客数量最多，Q港口次之，S港口最少。由于前面已经了解到女性的生存率明显高于男性，因此性别因素可能是导致生存率差异的原因之一。 综上所述，在Kaggle Titanic生存预测中，可以将乘客的年龄、性别、船票等级和登船地点作为重要的特征进行分析。其中，女性的生存率较高，C港口登船的乘客生存率较高，而S港口登船的乘客生存率较低。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [kaggle|泰坦尼克号生存预测](https://blog.csdn.net/weixin_45435206/article/details/104422277)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [【机器学习kaggle赛事】泰坦尼克号生存预测](https://blog.csdn.net/m0_51933492/article/details/126895547)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

gzroy

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值