Kaggle入门

本文知乎链接：

https://zhuanlan.zhihu.com/p/24883666

个人知乎专栏：

https://zhuanlan.zhihu.com/zhangbingyang

"""*******我是python的注释线********

本文适合想要入门机器学习，深度学习，或者有机器学习基础，想快速入门kaggle并完成一个项目的童鞋(^v^)

************************************""

 

登陆kaggle账号之后，来到界面：

Your Home for Data Science

点击Competitions

 

作为入门，我们选取All Categories里的Getting Started.

 

点进去之后有两个项目，一个是手写识别digit Recognizer项目，一个是我们今天要实践的Titanic项目。

点开Titanic项目：

    这里我们主要关心Home栏里的Data和Make a subssion和kernels栏。data栏提供训练集train.csv和测试集test.csv。提交结果有两种方式，一种是离线处理好数据直接在Make a subssion里提交，一种是在kernels里的New Script里提交代码，我更偏向自己离线处理好数据直接make a subssion。

把Data Files里的文件都下载到本地。

     一般的kaggle项目只包括训练集，测试集以及提交示例，但作为kaggle的入门项目，Titanic项目还提供了三个示例代码。我们运行其中一个，比如gendermodel.py，运行完成后，会生成gendermodel.csv项目。点开make a submission,点击"click or drop your submission here"将本地的gendermodel.csv提交至kaggle,在文本框添加必要的说明，然后点击submit提交。

 

 

    在My Submission里可以看到自己的结果，可以看到，gendermodel.csv的准确率是0.76555。

OK，到这里，kaggle入门这波已经稳了。

    以Titanic为例，你已经学会了如何使用kaggle。而关于Titanic这个项目，我还要多说两句。

    Titanic项目的任务是通过训练集训练一个模型，然后根据测试集中乘客的属性，判断这个乘客是否能存活（生存还是死亡？这是个问题！）

打开训练集，共有892行，每一行表示一位乘客，一个乘客共有“PassengerId,Pclass,Name,Sex,Age,SibSp,Parch,Ticket,Fare,Cabin,Embarked”和“Survived”这几种属性，而在测试集中，乘客信息没有Survived属性，我们需要根据在训练集中训练到的模型，根据测试集乘客信息判断乘客是否能生存（Survived的值等于1或0）。

示例的三个代码（gendermodel.py,genderclassmodel.py,myfirstforest.py）三种处理问题的方式。

1.第一种gendermodel.py处理得最简单粗暴：把乘客的其他信息都丢掉，只根据性别判断：哪个性别的生存率更高则判断哪种性别为存活，比如测试集中男性生存率高，则把男性判断为生存，女性判断为死亡；反之把男性判断为死亡，女性判断为生存。

2.第二种genderclassmodel.py，模型采取了性别，阶层（class），票的价格Fare三种属性。性别为男女，阶层有1~3三种阶层，价格票价分为0~10，10~20，20~30，30~39（大于39的都设置为39）。每个乘客对号入座，某种属性在训练集中生存率平均值大于0.5，则将该属性的乘客判断为生存，小于0.5则判断为死亡。比如，女性，票价0~10，阶层为1的乘客在训练集中生存率平均值为0.75，则对于测试集中所有这一范围的乘客，都将其判断为生存。

3.第三种myfirstforest.py,去掉'Name', 'Ticket', 'Cabin', 'PassengerId'这四个对结果并没有什么用的属性，选择其他全部属性，采取随机森林的算法对结果进行预测。

关于这三个程序，我真的只是简单地说了两句。预知详情，请分析源码 (。・`ω´・)

当然，感觉Titanic项目不怎么好玩，准确率怎么也提不高。还是digit Recognizer更好玩一点，用CNN可以把准确率提高到99%以上，所以这个，我就不贡献自己的方法了~