Kaggle入门-泰坦尼克号数据及代码

qq_55542491

于 2024-05-09 10:20:11 发布

阅读量137

点赞数 1

分类专栏：技术文档文章标签：人工智能

本文链接：https://blog.csdn.net/qq_55542491/article/details/138602266

版权

技术文档专栏收录该内容

21 篇文章 0 订阅

订阅专栏

本文讲述了kaggle入门级别的竞赛：泰坦尼克号，有提及如何下载数据，附带有思路和代码解析

前言

我个人还是喜欢直接在kaggle运行，但是有人不能科学上网呀

数据

在找到泰坦尼克号比赛里，创建一个notebook，然后再notebook里找到输入数据，就可以下载了

建议下载在本地进行调试

代码

#没错，我还没写，下面这个写的很不错
https://www.kaggle.com/code/nicolaspillin/titanic-random-forest-79-4

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

qq_55542491

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Kaggle入门-泰坦尼克号数据及代码

本文讲述了kaggle入门级别的竞赛：泰坦尼克号，有提及如何下载数据，附带有思路和代码解析
复制链接

扫一扫

专栏目录

数据挖掘实战系列之 Kaggle 泰坦尼克号灾难（上）

徐代龙的技术专栏

05-07

5150

（一）步骤流程： #（一）目标确定：根据已有数据预测未知旅客生死 # （二）数据准备：1 数据获取，载入训练集csv，测试集csv # （三）数据清洗：补齐或抛弃缺失值，数据类型变化（字符串转数字） # （四）数据重构：根据需要重新构造数据（重组数据，构建新特性） #（五）数据分析： 1 描述性分析，画图，直观分析 2 探索性分析，机器学习模型 # （六）...

Kaggle入门-泰坦尼克号之灾（数据集+代码+结果）.zip

02-06

Kaggle入门-泰坦尼克号之灾可以参考：https://jnsimba.blog.csdn.net/article/details/104245964

参与评论您还未登录，请先登录后发表或查看评论

Kaggle入门-泰坦尼克号之灾

夫唯不争，故天下莫能与之争。

02-10

1649

跟着饼干大神磕磕绊绊的走完了机器学习小组的第一期之旅，接下来的任务就是巩固一下以前的诸多知识点，有时候太忙都没有学习完；再就是参与一下实战，打打kaggle比赛，也算是应用吧，毕竟公司短期内还暂时用不到机器学习。英语本来就比较渣，看着kaggle的纯英文，一脸懵逼不知道从何下手，你如果也和我一样，可以参考这篇文章https://www.jiqizhixin.com/articles/2019-...

kaggle入门项目python完整代码详解——泰坦尼克幸存者

最新发布

m0_74352594的博客

05-02

1501

test_df.isnull().sum() #在Jupyter Notebook中，单元格中的最后一个表达式的结果会被自动展示，这使得在一些情况下可以不必显式地使用print()函数。info（）方法详细列出了DataFrame中的每列，包括其名称、非空值的数量以及每列的数据类型。：这是 pandas 中的一个函数，用于计算两个（或更多）因子的简单交叉表。：这是 pandas 中的一个字符串方法，用来对字符串列应用正则表达式，并提取匹配的部分。：一个介于0和1之间的数值列表，用于指定计算哪些百分位数。

【Kaggle】泰坦尼克号生存预测 Titanic

撕得失败的标签的博客

01-22

1468

（其中 Version 1-3 含有分析过程，文末仅贴有逻辑回归模型的完整 python 代码）训练集（train.csv）测试集（test.csv）训练集：包含机上部分乘客（确切地说是 891 名）的详细信息，重要的是，将揭示他们是否幸存，也称为“基本事实”。测试集：包含类似的信息，但没有披露每位乘客的“基本事实”。预测这些结果是你的工作。列名含义乘客编号Survived生存情况（0：死亡，1：存活）Pclass客舱等级Name姓名Sex性别Age年龄SibSp。

kaggle_titanic:Kaggle泰坦尼克号挑战赛的代码（和其他学习材料）

05-22

泰坦尼克号 在通过《泰坦尼克号》示例了解Kaggle时回购

kaggle泰坦尼克数据titanic

08-16

平台下载的原始三个数据train.csv test.csv gender_submission.csv （本来想0积分分享给大家无奈最低是1分了）

kaggle_titanic数据集

03-23

去kaggle上下载资源太麻烦了，每次下载还要登录邮箱，没有的话基本等不上去，也就没法下载，所以就发到这里共享，里面有训练集，测试集。是最全的数据集了。

Kaggle--TMDB电影数据分析数据集+代码

06-09

TMDB电影数据分析，包括Kaggle上的原始数据集，以及代码，实现电影类型和票房，利润等的关系，对比两个公司的电影类型收入，拍摄集中年份，画出饼图，条形图，折线图，并进行关键词的提取，做出词云图。

kaggle练习-共享单车数据分析

12-20

项目背景：提供两年的每...本次共享单车数据分析项目数据源于Kaggle [https://www.kaggle.com/c/bike-sharing-demand/data]。 1.2 载入数据 // 载入工具包 import numpy as np import pandas as pd import matplotlib.

机器学习系列(3)_逻辑回归应用之Kaggle泰坦尼克之灾

iteye_2022的博客

11-12

5435

Kaggle--泰坦尼克号失踪者生死情况预测源码（附Titanic数据集）

sir_chai的博客

04-25

1万+

数据可视化分析import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import numpy as np titanic=pd.read_csv('train.csv') #print(titanic.head()) #设置某一列为索引 #print(titanic.set_index('Passeng...

Kaggle竞赛 —— 泰坦尼克号（Titanic）

热门推荐

massquantity的博客

08-04

2万+

kaggle Titanic数据分析

[kaggle]泰坦尼克预测(代码解析)

weixin_40479663的博客

10-27

1025

用pandas加载数据: import pandas as pd import numpy as np from pandas import Series,DataFrame data_train = pd.read_csv("train.csv") data_train.columns data_train.info() 上面数据告诉我们，训练数据中总共有891名乘客，但是很不幸，我们...

kaggle点赞最多的 泰坦尼克号数据竞赛模型融合方法(附代码)

python技巧分享

11-28

2158

听过很多大佬都是从kaggle上获取的知识, 加工整理成一套属于自己的竞赛体系今年7月份我开始参加大数据竞赛, 现在差不多有10场比赛了, 都是结构化比赛. 小的比赛还能进Top名次, 大点的比赛就比较难了, 问题在于没有形成系统, 所以计划将kaggle结构化, 时序比赛中比较好的notebook进行简单翻译并整理, 总结有用的信息, 期望在以后的比赛中能有更好的成绩. 本文重点以kaggle上泰坦尼克比赛数据为例, 介绍如何进行stacking模型融合, kaggle上点赞数超过5000, 原文.

kaggle Titanic 数据集下载

weixin_44748789的博客

04-29

3619

链接：https://pan.baidu.com/s/1kEcyx7lwAdMNYTvM4WhhFw 提取码：3gog

机器学习入门：Kaggle -titanic(泰坦尼克)生存预测

cutenew52188的博客

03-24

6310

萌新入门机器学习的第一个手把手案例零基础尝试Kaggle-Titanic - Machine Learning from Disaster 附代码

泰坦尼克号数据集_机器学习（入门）--Kaggle项目之泰坦尼克号

weixin_39618169的博客

12-05

1667

电影《泰坦尼克号》改编自一个真实故事。1912年4月15日，这艘号称“永不沉没”的泰坦尼克号在首航期间，撞上冰山后沉没，船上的2224名乘客和机组人员，其中只有772人存活下来，生还率只有32%。这一耸人听闻的悲剧震撼了国际社会，并导致了更好的船舶安全条例。一，提出问题什么人在泰坦尼克号上更容易存活？二，理解数据采集数据数据来源于kaggle网站Titanic项目，如下链接可下载数...

机器学习kaggle实战-泰坦尼克号问题知识梳理

05-20

泰坦尼克号问题是一个经典的二分类问题，即预测乘客是否能在泰坦尼克号沉船事故中生还。以下是机器学习Kaggle实战-泰坦尼克号问题的知识梳理： 1. 数据探索与可视化：首先需要对数据进行探索性数据分析（EDA），了解数据的特征、缺失值、异常值等情况，并使用可视化工具（如Matplotlib、Seaborn）对数据进行可视化。 2. 特征工程：根据数据探索的结果，对原始数据进行特征选择、特征提取、特征变换等操作，以便更好的训练机器学习模型。 3. 模型选择与训练：选择适当的机器学习模型，如逻辑回归、决策树、随机森林等，并对数据进行训练和调参。可以使用Python中的Scikit-learn库进行模型训练。 4. 模型评估：使用交叉验证、ROC曲线、混淆矩阵等方法对模型进行评估，并选择适当的评价指标（如准确率、精确率、召回率等）。 5. 模型融合：将多个模型进行融合，以达到更好的预测效果。可以使用Stacking、Blending、Bagging、Boosting等方法进行模型融合。 6. 提交结果：将预测结果提交到Kaggle上，查看在测试集上的预测准确率，并与其他选手进行排名比较。以上就是机器学习Kaggle实战-泰坦尼克号问题的知识梳理，希望对你有所帮助。

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交