python logistic回归_基于python的logistic回归建模预测

1、背景

泰坦尼克号是当时世界上体积最庞大、内部设施最豪华的客运轮船，有“永不沉没”的美誉 。然而不幸的是，在它的处女航中，泰坦尼克号便遭厄运。1912年4月10日，泰坦尼克号从英国南安普敦（Southampton）出发，途经法国瑟堡-奥克特维尔（Cherbourg-Octeville）以及爱尔兰昆士敦（Queenstown），驶向美国纽约。1912年4月14日23时40分左右，泰坦尼克号与一座冰山相撞，造成右舷船艏至船中部破裂，五间水密舱进水。次日凌晨2时20分左右，泰坦尼克船体断裂成两截后沉入大西洋底3700米处。2224名船员及乘客中，逾1500人丧生。这么多人遇难的原因之一是没有准备足够的救生艇。

2、.提出问题

研究的问题：什么样的人在泰坦尼克号中更容易存活？

3.理解数据

3.1采集数据

从Kaggle泰坦尼克号项目页面下载数据：Titanic: Machine Learning from Disaster​www.kaggle.com

3.2查看官网上对变量的解释：

这里有个大致了解即可。

3.3理清分析思路和需求

【a】提出问题

【b】理解数据：导入数据—理解数据—数据集信息

【c】数据清洗：数据预处理（删除重复值、填充缺失值）— 特征提取 — 特征选择

【d】构建模型

【e】提交预测

3.4数据理解、准备、数据清洗

3.4.1导入数据查看数据集大小

train.csv比test.csv多了一列Survived，即是否生存，这正是我们要解决的问题：本文即是通过对train.csv的机器学习，来预测test.csv的Survived水平。因此，后面会基于train.csv提取特征并结合其Survived数据来预测，则test.csv的数据特征在预测的时候一定要与train.cs的特征数据一致。只有test.csv的特征与训练数据train.csv的特征一致时才能直接应用训练模型进行预测，这样才保证test.csv的特征数据可直接带入进行预测。所以要将二者合并起来一起清洗

3.4.2数据集信息

结论：1309行，12列，与前两个数据集的行之和、列数相符，说明合并成功。

3.4.3删除重复值

3.4.4查看数据集信息和缺失值情况

3.4.5理解数据缺失值

在前面理解数据阶段，我们发现数据总共有1309行。

数据类型列：年龄（Age）、船票价格（Fare）里面有缺失数据；而生成情况（Survived）这一列是标签，要预测的数据标签是未知的，不需要处理这一列

字符串列：船舱号（Cabin）和登船港口（Embarked）里面有缺失数据。

这为我们下一步数据清洗指明了方向，只有知道哪些字段缺失数据，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。

3.4.6处理缺失值

常见方法主要是：

如果是数值类型，用平均值取代；如果是分类数据，用最常见的类别取代；使用模型预测缺失值，例如：KNN。

(a)首先我们对数值型字段进行查看和处理，步骤如下：