python机器学习之决策树案例——泰坦尼克号幸存者的预测

决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树算法容易理解，适用各种数据，在解决各种问题时都有良好表现，尤其是以树模型为核心的各种集成算法，在各个行业和领域都有广泛的应用。

泰坦尼克号幸存者的预测

数据点击这里可以下载——>点击这里下载。也可以在评论区留下你的邮箱，我发送给您。

首先导入所用到的库：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
import matplotlib.pyplot as plt
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import cross_val_score

将数据导入：

 data = pd.read_csv('taitannikehao.csv')

查看数据前五行：

data.head()

查看数据状况：

data.info()

将"Cabin",“Name”,"Ticket"这三个列删除，对预测影响没有影响。

data.drop(["Cabin","Name","Ticket"],inplace=True,axis=1)#inplace  表示是否覆盖原表

再次查看数据：

data.info()

发现"Age"列有200多缺失值，这里我们选择用平均值填充。

data["Age"] = data["Age"].fillna(data['Age'].mean())

<