R语言二分类问题案例分析：以泰坦尼克号沉船为例

作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。

微信：hope9057

Kaggle上最经典的泰坦尼克号入门级教程，我们这里尝试玩转它（https://www.kaggle.com/c/titanic）。先讲数据背景，我们有各种各样的乘客数据，想要利用这些数据，预测在泰坦尼克号沉船的时候，这个乘客是否能够存活。具体的数据字典可以参照：

https://www.kaggle.com/c/titanic/data。

先导入数据

#数据导入 set.seed(201891) library(pacman) p_load(tidyverse) p_load(caret,caretEnsemble) setwd("E:\\_data_hope\\Titanic\\data") read_csv("train.csv") -> train_raw1 read_csv("test.csv") -> test_raw1 read_csv("gender_submission.csv") -> gs

人工变量筛选

人工筛选变量是第一步，这是机器学习无法逾越的高度，因为我们知道哪些变量是真正“有关”的，哪些即使是真的提高了预测精度也只是假象而已。我们应该知道，乘客的ID号码，乘客叫什么名字，乘客在哪里上船，还有买票的号码，是与存活率完全没有直接关系的，直接删除掉。

train_raw1 %>% select(-PassengerId,-Name,-Ticket,-Embarked) -> train_raw2 test_raw1 %>% select(-PassengerId,-Name,-Ticket,-Embarked) -> test_raw2

缺失值可视化和处理

如果数据中有一些属性含有大量缺失值，那么它对预测的贡献几乎为零，甚至具有不良的干扰。当然有的时候缺和不缺本来就是一种信息，但是这里我们无法深入判断。首先我们先看看是否有缺失值，有的话缺多少？

p_load(VIM,Amelia) missmap(train_raw2)

missmap(test_raw2)

train_raw2 %>% aggr()

test_raw2 %>% aggr()