泰坦尼克 数据集_Kaggle数据竞赛--基于R语言的泰坦尼克生存预测

摘要

本文以R语言为基础，利用数据预览，探索式数据分析，缺失值的填补，增加新特征以及去除相关特征等方法，并通过构建随机森林模型，参数调优的方式对kaggle上的泰坦尼克项目进行了生存预测，结果是得分为0.81818，前4%。

一、项目介绍

泰坦尼克生存预测是Kaggle上参赛人数较多的竞赛之一，对于数据爱好者来说是初入机器学习领域相对比较容易的比赛，属于入门级比赛项目。

比赛的目的其实很简单，就是要求参赛选手通过训练数据集分析出什么类型的人更可能幸存，并创建模型预测出测试数据集中的所有乘客是否生还。很明显，该项目属于二分类问题。

数据来源于官方网站，包括训练数据和测试数据两部分数据。

二、加载并预览数据

在加载数据之前，先载入后续分析需要用到的R包。

library("dplyr")
library("ggplot2")
library("caret")
library("randomForest")

导入数据集，将训练集和测试集分别命名为train和test。

getwd()
setwd("../Desktop")
train <- read.csv("train.csv",stringsAsFactors = F,na.strings = "")
test <- read.csv("test.csv",stringsAsFactors = F,na.strings = "")

为了对训练集和测试集进行相同的处理和转换，避免重复操作和数据类型出现不一致的情况，这里将它们合并一起处理，并命名为data数据集。

data <- bind_rows(train,test)

预览数据。

str(data)

结果如下：

'data.frame':	1309 obs. of  12 variables:
 $ PassengerId: int  1 2 3 4 5 6 7 8 9 10 ...
 $ Survived   : int  0 1 1 1 0 0 0 0 1 1 ...
 $ Pclass     : int  3 1 3 1 3 3 1 3 3 2 ...
 $ Name       : chr  "Braund, Mr. Owen Harris" "Cumings, Mrs. John Bradley (Florence Briggs Thayer)" "Heikkinen, Miss. Laina" "Futrelle, Mrs. Jacques Heath (Lily May Peel)" ...
 $ Sex        : chr  "male" "female" "female" "female" ...
 $ Age        : num  22 38 26 35 35 NA 54 2 27 14 ...
 $ SibSp      : int  1 1 0 1 0 0 0 3 0 1 ...
 $ Parch      : int  0 0 0 0 0 0 0 1 2 0 ...
 $ Ticket     : chr  "A/5 21171" "PC 17599" "STON/O2. 3101282" "113803" ...
 $ Fare       : num  7.25 71.28 7.92 53.1 8.05 ...
 $ Cabin      : chr  NA "C85" NA "C123" ...
 $ Embarked   : chr  "S" "C" "S" "S" ...

可以看出，整个数据集包含12个变量，1309条数据，其中891条为训练数据，418条为测试数据

• PassengerId：整数型变量，表示乘客的ID。
• Survived：整数型变量，表示该乘客是否幸存。0表示遇难，1表示幸存。
• Pclass： 整数型变量，表示乘客的舱位等级，1代表1等舱，2代表2等舱，3代表3等舱。
• Name： 字符型变量，表示乘客姓名。
• Sex：字符型变量，表示乘客性别。
• Age：数值型变量，表示乘客年龄。
• SibSp：整数型变量，兄弟姐妹或配偶的人数。
• Parch： 整数型变量，代表父母或子女的人数。
• Ticket： 字符型变量，代表乘客的船票号。
• Fare： 数值型变量，代表乘客的船票价。
• Cabin： 字符型变量，代表乘客所在的舱位。
• Embarked： 字符型变量，表示乘客的登船地点，C 表示 Cherbourg（瑟堡港）, Q 表示Queenstown（皇后镇）, S 表示Southampton（南安普敦）。

为了方便后续的分析，这里先统计各列的缺失值的分布情况。

apply(data,2,function(x){sum(is.na(x))}) #汇总缺失值

结果如下：

PassengerId    Survived      Pclass        Name         Sex         Age       SibSp       Parch      Ticket        Fare       Cabin    Embarked 
          0         418           0           0           0         263           0           0           0           1        1014           2 

可以看出，Age，Fare，Cabin，Embarked，以及Survived均包含缺失值，值得注意的是，虽然Survived包含418个缺失值，但它是由测试数据引入的，是需要预测的部分。

三、探索性数据分析

接下来，会逐个探索不同的特征变量与预测变量之间的关系。

（1）Pclass

ggplot(data[