人工智能教程（二）

        本文用一个机器学习的实例，让大家看一下其实机器学习没有那么难学，希望大家看后可以增加自信，坚持把人工智能的知识学好。

        本实例的数据集来自kaggle网站，用来预测泰坦尼克号沉船事件的幸存者。采用的模型是xgboost。  该问题属于监督学习中的二分类问题

import xgboost as xgb
from xgboost.sklearn import XGBClassifier
train_data = pd.read_csv("/kaggle/input/titanic/train.csv")  # 导入训练数据
train_data.head()
test_data = pd.read_csv("/kaggle/input/titanic/test.csv")  # 导入测试数据
test_data.head()

y = train_data["Survived"]  # 获取训练标签
features = ["Pclass", "Sex", "SibSp", "Parch"] 
X = pd.get_dummies(train_data[features])  # 获取训练特征
X_test = pd.get_dummies(test_data[features]) #获取测试特征

xlf = xgb.XGBClassifier(max_depth=3, #树的深度，越大越容易过拟合
                        learning_rate=0.1,
                        n_estimators=1000, 
                        objective='binary:logistic', 
                        nthread=8,
                        gamma=0,                   
                        min_child_weight=1, 
                        max_delta_step=0, 
                        subsample=0.7, 
                        colsample_bytree=0.7, 
                        colsample_bylevel=1, 
                        reg_alpha=1, #控制模型复杂程度的权重值的 L1 正则项参数，参数值越大，模型越不容易过拟合
                        reg_lambda=1,  # 控制模型复杂度的权重值的L2正则化项参数，参数越大，模型越不容易过拟合。
                        scale_pos_weight=1, 
                        seed=50)

predictions=xlf.predict(X_test)  # 模型预测
output = pd.DataFrame({'PassengerId': test_data.PassengerId, 'Survived': predictions})
  

        代码的关键部分都加了注释，如果实在看不到也没有关系， 这个例子只是让大家感受一下其实机器学习没有那么难学。后续我们会一步一步的学习相关的知识，大家不能着急。