泰坦尼克号数据集_机器学习入门—泰坦尼克号生存率预测

项目名称：泰坦尼克号生存率预测1.导入数据

这里使用kaggle kernel编写代码

数据下载地址为：https://www.kaggle.com/c/titanic

2.数据统计分析

通过describe和info方法，我们可以发现Age，Cabin，Embarked和Fare的数据都有不同程度的缺失，同时Age和Fare的数据存在错误的数据。

3.数据清洗

a）首先对数据类型缺失值的处理

这里使用fiilna方法进行填充，填充值为平均值。

b）字符串类型缺失数据的处理

4.特征提取

数值类型：直接使用

时间序列：转成单独的年、月、日

分类数据：用数值代替类别，One-hot编码

这里分类数据又分为：有类别的以及字符串，有类别的包括Sex，Embarked以及Pclass，字符串则包括：Name，Cabin以及Ticket

分类数据的特征提取：性别

分类数据的特征提取：登船港口，客舱等级

这里使用get_dummies方法来进行one-hot编码

分类数据的特征提取：姓名

先定义一个提取姓名中名称的函数，使用的是split方法

再用map和get_dummies函数进行处理

分类数据的特征提取：客舱号

分类数据的特征提取：家庭类别

这里通过分类，将家庭规模分为单个，小家庭以及大家庭并存储至familyDf数据集中

特征选择：使用corr分析各个数据

这里将与生存率有关的相关系数进行降序排列，看看谁与生存率的关系最大

5.构建模型

首先使用train_test_split函数用于将矩阵随机划分为训练子集和测试子集，并返回划分好的训练集测试集样本和训练集测试集标签。

再使用LogisticRegression进行逻辑回归的模型进行训练

评估模型：这里使用model.score方法对模型进行评估，最终得到模型的准确率为0.8。

6.方案实施