泰坦尼克号数据集_最常见的机器学习案例：泰坦尼克号生存预测

虽然到处都是泰坦尼克号生存预测的案例，但是还是要再来一遍。哈哈哈。作为入门还是可以的。此篇文章为新手小白入门，大佬请指点。文章较长，下面进入正题。

目录

1. 提出问题（Business Understanding ）
2. 理解数据（Data Understanding）

• 采集数据
• 导入数据
• 查看数据集信息

3.数据清洗（Data Preparation ）

• • 数据预处理
  • 特征工程（Feature Engineering）

4.构建模型（Modeling）

5.模型评估（Evaluation）

6.方案实施 （Deployment）

• • 提交结果到Kaggle
  • 报告撰写

1.提出问题

什么人在泰坦尼克事件中存活率较高？

2.理解数据

2.1数据采集

从Kaggle泰坦尼克号项目页面下载数据：

Titanic: Machine Learning from Disaster​www.kaggle.com

2.2导入数据

append方法按列添加

2.3查看数据集信息

3.数据清洗

3.1 数据预处理

缺失值处理

在前面，理解数据阶段，我们发现数据总共有1309行。 其中数据类型列：年龄（Age）、船票价格（Fare）里面有缺失数据。 字符串列：登船港口（Embarked）、船舱号（Cabin）里面有缺失数据。

这为我们下一步数据清洗指明了方向，只有知道哪些数据缺失数据，我们才能有针对性的处理。

很多机器学习算法为了训练模型，要求所传入的特征中不能有空值。

1. 如果是数值类型，用平均值取代
2. 如果是分类数据，用最常见的类别取代
3. 使用模型预测缺失值，例如：K-NN

数值型数据缺失处理（采取了简单的平均值填充）

字符串型数值处理

3.2 特征工程

查看数据类型，分为3种数据类型。并对类别数据处理：用数值代替类别，并进行One-hot编码

3.2.1 分类数据：

1.有直接类别的

• 乘客性别（Sex）： 男性male，女性female
• 登船港口（Embarked）：出发地点S=英国南安普顿Southampton，途径地点1：C=法国 瑟堡市Cherbourg，出发地点2：Q=爱尔兰 昆士敦Queenstown
• 客舱等级（Pclass）：1=1等舱，2=2等舱，3=3等舱

性别

登船港口(Embarked)

客舱等级（Pclass）

2.无直接类别的字符串类型

可能从这里面提取出特征来，也归到分类数据中，这里数据有：

• 乘客姓名（Name）
• 客舱号（Cabin）
• 船票编号（Ticket）

乘客姓名

从客舱号中提取客舱类别

建立家庭人数和家庭类别

one-hot的基本思想：将离散型特征的每一种取值都看成一种状态，若你的这一特征中有N个不相同的取值，那么我们就可以将该特征抽象成N种不同的状态，one-hot编码保证了每一个取值只会使得一种状态处于“激活态”，也就是说这N种状态中只有一个状态位值为1，其他状态位都是0。

3.2.2特征选择

本次是初学者入门，故采用相关系数法进行特征的选择，若想具体了解特征工程，请看下面链接。

如何做特征工程?

使用sklearn做单机特征工程 - jasonfreak - 博客园

泰坦尼克号如何进行特征选择?

相关系数法：计算各个特征的相关系数

4.构建模型

选择算法模型并训练模型

这里的算法模型有很多，但本次选择逻辑回归模型

5 评估模型

6.方案实施

6.1 得到预测结果上传到Kaggle

大佬请忽略渣渣的预测结果。。。。。

6.2 报告撰写

下回分解。