泰坦尼克号乘客获救预测

  1. import pandas as pd
    import seaborn as sns
    import matplotlib.pyplot as plt
    from sklearn.preprocessing import LabelEncoder
    from sklearn.model_selection import train_test_split
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.model_selection import GridSearchCV
    
    data_raw = pd.read_csv('train.csv')
    data_val = pd.read_csv('test.csv')
    # 列名转换成小写
    # data_raw.columns=data_raw.columns.str.lower()
    print(data_raw.head())
    print(data_raw.info())
    # 统计获救人员情况
    print(data_raw['Survived'].value_counts())
    # 绘图统计
    sns.countplot(data_raw['Survived'])
    plt.show()
    # 查看数据集中的空值
    print(data_raw.isnull().sum())
    print(data_val.isnull().sum())
    # 数据清洗
    print(data_raw.describe())
    # 补足年龄、票价和登船港口空缺值,年龄和票价用数据的中位数
    data_raw['Age'].fillna(data_raw['Age'].median(), inplace=True)
    data_val['Age'].fillna(data_val['Age'].median(), inplace=True)
    data_raw['Fare'].fillna(data_raw['Fare'].median(), inplace=True)
    data_val['Fare'].fillna(data_val['Fare'].median(), inplace=True)
    # mode取embarked列出现频率最高的值,返回是一个Series
    data_raw['Embarked'].fillna(data_raw['Embarked'].mode()[0], inplace=True)
    data_val['Embarked'].fillna(data_val['Embarked'].mode()[0], inplace=True)
    print(data_raw.isnull().sum())
    print(data_val.isnull().sum())
    # 删除没有用的列
    data_raw.drop(['PassengerId', 'Cabin'], axis=1, inplace=True)
    data_val.drop(['PassengerId', 'Cabin'], axis=1, inplace=True)
    print(data_raw.info())
    # 可选部分
    # 构建新的特征:家庭成员的数量
    data_raw['family_size'] = data_raw['SibSp'] + data_raw['Parch'] + 1
    data_val['family_size'] = data_val['SibSp'] + data_val['Parch'] + 1
    print(data_raw.info())
    # 提取姓名中的称谓
    # DataFrame中的apply方法就是将函数应用到由列或行形成的一维数组上
    data_raw['title'] = data_raw['Name'].apply(lambda x:
                                               x.split(', ')[1]).apply(lambda x: x.split('. ')[0])
    data_val['title'] = data_val['Name'].apply(lambda x:
                                               x.split(', ')[1]).apply(lambda x: x.split('. ')[0])
    print(data_raw['title'].value_counts())
    # 离散化票价
    # qcut根据值的频率进行分组来选择箱子的的均匀间隔,即每个箱子中含有的数的数量相同(这里就是每组的元素个数一致)
    data_raw['fare_bin'] = pd.qcut(data_raw['Fare'], 4)
    data_val['fare_bin'] = pd.qcut(data_val['Fare'], 4)
    print(data_raw['fare_bin'].value_counts())
    # 离散化年龄
    data_raw['age_bin'] = pd.cut(data_raw['Age'], 5)
    data_val['age_bin'] = pd.cut(data_val['Age'], 5)
    print(data_raw['age_bin'].value_counts())
    # 基于LabelEncoder构建新字段
    # 创建新字段type_code,值是LabelEncoder对type列进行one-hot编码
    label = LabelEncoder()
    data_raw['sex_code'] = label.fit_transform(data_raw['Sex'])
    data_val['sex_code'] = label.fit_transform(data_val['Sex'])
    print(data_raw['sex_code'])
    data_raw['embarked_code'] = label.fit_transform(data_raw['Embarked'])
    data_val['embarked_code'] = label.fit_transform(data_val['Embarked'])
    data_raw['fare_bin_code'] = label.fit_transform(data_raw['fare_bin'])
    data_val['fare_bin_code'] = label.fit_transform(data_val['fare_bin'])
    data_raw['age_bin_code'] = label.fit_transform(data_raw['age_bin'])
    data_val['age_bin_code'] = label.fit_transform(data_val['age_bin'])
    data_raw['title_code'] = label.fit_transform(data_raw['title'])
    data_val['title_code'] = label.fit_transform(data_val['title'])
    # pd.set_option('max_columns', 20)
    pd.options.display.max_columns = 20
    print(data_raw.head())
    print(data_raw.columns)
    # 特征选择
    # 目标集的列名
    Target = ['Survived']
    # 特征的列名
    data_columns = ['Pclass', 'sex_code', 'age_bin_code', 'fare_bin_code',
                    'embarked_code', 'family_size', 'title_code']
    # 分割训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(
        data_raw[data_columns], data_raw[Target], test_size=0.2, random_state=5)
    # max_features:每个决策树的最大特征数 n_jobs:多线程进行训练
    # random_state如果希望可以重现,固定随机数种子。随机森林本质就是随机的,设置随机数种子可以彻底改变构建的模型
    # 不设置每次构建的模型不同
    # 实例化随机森林算法对象
    rfc = RandomForestClassifier(max_features='auto', random_state=1, n_jobs=-1)
    param_grid = {
        'n_estimators': [50, 100, 400, 700, 1000],  # 森林里的树木数量
        'criterion': ['gini', 'entropy'],  # 分割特征的测量方法
        'max_depth': [5, 8, 15, 25, 30],  # 树的最大深度
        'min_samples_split': [2, 4, 10, 12, 16],  # 节点划分最少样本数
        'min_samples_leaf': [1, 5, 10]  # 叶子节点的最小样本数
    }
    # 创建网络搜索对象,5折交叉验证,评估标准:scoring
    # gs = GridSearchCV(estimator=rfc, param_grid=param_grid, cv=5, scoring='accuracy', n_jobs=-1)
    # # 训练模型
    # gs.fit(X_train, y_train)
    # # 平均验证精度最高分
    # print(gs.best_score_)
    # # 网格搜索后的最优参数
    # print(gs.best_params_)
    # 使用最佳参数构建随机森林
    y_train = y_train.values.ravel()
    rfc = RandomForestClassifier(max_features='auto', random_state=1, n_jobs=-1, criterion='entropy',
                                 max_depth=15, min_samples_leaf=5, min_samples_split=2, n_estimators=700)
    rfc.fit(X_train, y_train)
    score = rfc.score(X_test, y_test)
    print(score)
    y_predict = rfc.predict(X_test)
    
    # 查看精确率、召回率,F1score
    from sklearn.metrics import classification_report
    
    report = classification_report(y_test, y_predict)
    print(report)
    # 查看roc_auc指标
    from sklearn.metrics import roc_auc_score
    
    roc = roc_auc_score(y_test, y_predict)
    print(roc)
    
    # 预测test.csv中的数据,特征需要和训练集选择的特征一致
    y_predict = rfc.predict(data_val[data_columns])
    print(y_predict)
    data_val = pd.read_csv('test.csv')
    # 新增一列预测结果
    data_val['Survived'] = y_predict
    # 导出excel
    data_val.to_excel('test1.xlsx')
    
    实验概述
    1. 实验目标和主要内容

实验目标:建立模型预测泰坦尼克号上具有某些特征的乘客是否能够获救。

开发平台:PyCharm Community Edition 2021.3.2 x64

语言:Python

主要内容:

      1. 利用决策树和随机森林训练泰坦尼克号上获救乘客的各项指标数据建立预测模型,从而预测具有某些特征的乘客是否能够获救。
  1. 实验设计

2.1关键算法分析

算法1:统计获救人员情况

代码:

柱状图呈现:

算法2:数据清洗(增删改)

代码:

算法3:构建新的特征

代码:

算法4:提取姓名中的称谓

代码:

算法5:离散化票价及年龄

代码:

算法6:构建新字段

代码:

算法7:选取特征(指标)

代码:

算法8:数据集划分

代码:

算法9:实例化随机森林算法对象

代码:

算法10:使用最佳参数构建随机森林

代码:

算法11:预测

代码:

  1. 程序运行结果分析

使用最佳参数构建随机森林,预测数据,求得的得分和结果如下:

  1. 总结

4.1  实验的难点和关键点

  1. 需要对数据进行清洗,补足空缺数据,删除无用数据;
  2. 数据离散化,创建新字段和新字段列的one-hot编码;
  3. 特征(指标)选取和随机森林的构建。
    1.  心得体会
  1. 对于数据分析过后,需要对数据进行清洗,根据不同的情况增删改数据;
  2. 学会了数据的离散化处理和one-hot编码;
  3. 了解运用了决策树模型和随机森林模型。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值