泰坦尼克号案例代码流程分析

文章目录

• 前言
• 一.前期准备：导入所需库
• 二.获取数据
  • 1.引入数据
  • 2.合并训练集与测试集
• 三.数据预处理
  • 1.删除无需保留的特征值并补足缺失值
  • 2.对合并集进行划分

• 四.特征工程 （字典抽取特征值）

• 五.决策树预估器（建立模型）

• 六.模型评估

 

---

前言

随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就为大家介绍机器学习经典案例--泰坦尼克号的代码流程分析。

---

 

一.前期准备：导入所需库

#1.前期处理：导入所需库
import pandas as pd
import numpy as up
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier

 

二.获取数据

1.引入数据

train=pd.read_csv('train.csv')
test=pd.read_csv('test.csv')
print(train.head())  #查看是否导入数据
print(test.head())

head()默认为5行，也可以在后面修改为自己想要的行数

2.合并训练集与测试集

# 合并train与test
union=train.append(test,ignore_index=True)
print(union.info())

 

三.数据预处理

1.删除无需保留的特征值并补足缺失值

#删除无需保留的特征值并补足缺失值
union=union.drop(['Name','Ticket','Fare','Cabin'],axis=1)
union['Age'].fillna(union['Age'].mean(),inplace=True)  #用平均值来填补缺失年龄
union['Embarked'].value_counts()
union['Embarked'].fillna("S",inplace=True)  #用统计最多的地点来填补缺失目的地

Pclass(乘客是几等舱)：乘坐高等舱的人可优先逃离，存活率相对较高，需保留。
Name(乘客名字)：与存活率无关，可删。
Sex(乘客性别)：女性可优先逃离，对存活率有影响，需保留。
Age(乘客年龄)：老人小孩可优先逃离，对存活率有影响，需保留。
SibSp（乘客的兄弟姐妹）：存在人情各种因素，对存活率有影响，需保留。
Parch（乘客的父母孩子）：同上，需保留。

Ticket (船票号） ： 随机，对存活率无影响，可删。
Fare（购票所用的费用）：与几等舱信息高度线性相关且更为复杂，可删。
Cabin（船舱号）：随机，对存活率无影响，可删。
Embarked(目的地)：目的地可展现一个人的地位，需保留。
 

2.对合并集进行划分

# 划分数据集
train = union.loc[0:890]
test = union.loc[891:]
x_train = train.drop(['Survived'],axis = 1)
x_test = test.drop(['Survived'],axis = 1)
y_train = train['Survived']
y_test = test['Survived']

四.特征工程

  字典抽取特征值

#  字典抽取特征值
tranfer=DictVectorizer(sparse=False)
x_train=tranfer.fit_transform(x_train)
x_test=tranfer.transform(x_test)
transfer.get_feature_names()  #获取特征值名

五.决策树预估器（建立模型）

#5.决策树预估器（建立模型）
estimator=DecisionTreeClassifier(max_depth=6)
estimator.fit(x_train,y_train)

此处将决策树的最大深度设为6，读者可自行设置

六.模型评估

#  模型评估
y_predict=estimator.predict(x_test)
print(y_predict)
id=test['PassengerId']
sub1= {'PassengerId':'id','Survived':y_predict}
sub = pd.DataFrame(sub1)
sub.to_csv("sub1.csv",index=False)
print(sub.head())