《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第4章 实战篇 学习笔记（二）4.2Titanic罹难乘客预测总结

目录

4.2Titanic罹难乘客预测

1、背景

2、下载数据

3、搭建模型

4、编程实践

5、提交结果

---

4.2Titanic罹难乘客预测

1、背景

与“2.1.1.5决策树总结”节所探索的任务一样，Kaggle也在其平台上发布了“泰坦尼克号罹难乘客”的预测任务；并且这个预测问题一直作为其平台的教学任务，供初学者熟悉Kaggle的竞赛流程。时至今日已有几千名选手设计了他们的模型，同时网站的自动评估系统也对他们所提交的结果做了测试，并且发布了排名。

因此，通过这项兼具有纪念和缅怀意义的任务，来完成一次真正的实战演练，并与他人同台竞技。这跟之前的实践略有不同的是，Kaggle上的实战问题都不会提供测试集的正确答案，包括这项教学任务。所以，期待大家不断地尝试提及的机器学习模型，并且竭尽所能地优化它们。只有这样，才能从不懈的实战中积累经验，最终达到熟练掌握机器学习的应用技巧、快速构建机器学习系统的目的。

正如图4-6所示，在Titanic罹难乘客预测任务的竞赛主页的左边栏（Dashboard），不仅可以查阅当前竞赛的信息，包括竞赛的描述（Description）、如何评价提交结果（Evaluation）、竞赛规则（Rules）还有奖金悬赏的细节（Prizes）；还能够在Data页面中下载必要的数据，进而在Make a submission页面提交结果。

2、下载数据

虽然可以在Data页面看到7个文件下载。但是，用于竞赛的数据只有train.csv（59.76KB）和test.csv（27.96KB）文件。这里下载这两份数据到本地计算机的Datasets/Titanic文件夹下。

备注：具体下载数据的方法参照。

3、搭建模型

接下来，读者可以有两种选择编写代码，一种是在自己的本地计算机编写代码；另一种是直接在Kaggle平台上编写代码并在线运行。对于后者，只需在左边栏点击New Script，进入类似于图4-2所示的Kaggle在线编程页面，按照所给的代码范例，并注意文件读写的正确路径即可。这里只给出本地IPython Notebook中运行的代码。不仅使用随机森林分类器与XGBoost模型，而且均采用交叉验证的方法搜索最优的超参数组合。

备注：图4-2参照。

4、编程实践

# 代码77：Titanic罹难乘客预测竞赛编码示例
# 导入pandas方便数据读取和预处理。
import pandas as pd

# 分别对训练和测试数据从本地进行读取。
train = pd.read_csv('../Datasets/Titanic/train.csv')
test = pd.read_csv('../Datasets/Titanic/test.csv')
# 先分别输出训练与测试数据的基本信息。这是一个好习惯，可以对数据的规模、各个特征的数据类型以及是否有缺失等，有一个总体的了解。
print(train.info())
print(test.info())

# 按照我们之前对Titanic事件的经验，人工选取对预测有效的特征。
selected_features = ['Pclass', 'Sex', 'Age', 'Embarked', 'SibSp', 'Parch', 'Fare']

X_train = train[selected_features]
X_test = test[selected_features]

y_train = train['Survived']

# 通过我们之前对数据的总体观察，得到Embarked特征存在缺失值，需要补完。
print(X_train['Embarked'].value_counts())
print(X_test['Embarked'].value_counts())

# 对于Embarked这种类别型的特征，我们使用出现频率最高的特征值进行补充，这也是相对可以减少引入误差的一种填充方法。
X_train['Embarked&#