上次已经讲了怎么下载数据,这次就不说废话了,直接开始。首先导入相应的模块,然后检视一下数据情况。对数据有一个大致的了解之后,开始进行下一步操作。

SRE实战 互联网时代守护先锋,助力企业售后服务体系运筹帷幄!一键直达领取阿里云限量特价优惠。

  Kaggle之泰坦尼克号幸存预测估计 人工智能 第1张

一、分析数据

 1、Survived 的情况

train_data['Survived'].value_counts() 

  Kaggle之泰坦尼克号幸存预测估计 人工智能 第2张

 2、Pclass 和 Survived 之间的关系

train_data.groupby('Pclass')['Survived'].mean()

   Kaggle之泰坦尼克号幸存预测估计 人工智能 第3张

 3、Embarked 和 Survived 之间的关系

train_data.groupby('Embarked')['Survived'].value_counts()
sns.countplot('Embarked',hue='Survived',data=train_data)

  Kaggle之泰坦尼克号幸存预测估计 人工智能 第4张

二、特征处理

  先将 label 提取出来,然后将 train 和 test 合并起来一起处理。

y_train = train_data.pop('Survived').astype(str).values
data = pd.concat((train_data, test_data), axis=0)

 1、对 numerical 数据进行处理

  (1)SibSp/Parch (兄弟姐妹配偶数 / 父母孩子数)

  由于这两个属性都和 Survived 没有很大的影响,将这两个属性的值相加,表示为家属个数。

data['FamilyNum'] = data['SibSp'] + data['Parch']

  (2)Fare (费用)

  它有一个缺失值,需要将其补充。(这里是参考别人的,大神总能发现一些潜在的信息:票价和 Pclass 和 Embarked 有关)  因此,先看一下他们之间的关系以及缺失值的情况。

train_data.groupby(by=["Pclass","Embarked"]).Fare.mean()

    Kaggle之泰坦尼克号幸存预测估计 人工智能 第5张

  缺失值 Pclass = 3, Embarked = S,因此我们将其置为14.644083.

data["Fare"].fillna(14.644083,inplace=True)

  还有 Age 的缺失值也需要处理,我是直接将其设置为平均值。

 2、对 categorical 数据进行处理

  (1)对 Cabin 进行处理

  Cabin虽然有很多空值,但他的值的开头都是字母,按我自己的理解应该是对应船舱的位置,所以取首字母。考虑到船舱位置对救生是有一定影响的,虽然有很多缺失值,但还是把它保留下来,而且由于 T 开头的只有一条数据,因此将它设置成数量较小的 G。

data['Cabin'] = data['Cabin'].str[0]
data['Cabin'][data['Cabin']=='T'] = 'G'

  (2)对 Ticket 进行处理

  将 Ticket 的头部取出来当成新列。

data['Ticket_Letter'] = data['Ticket'].str.split().str[0]
data['Ticket_Letter'] = data['Ticket_Letter'].apply(lambda x:np.nan if x.isnumeric() else x)
data.drop('Ticket',inplace=True,axis=1)

  (3)对 Name 进行处理

  名字这个东西,虽然它里面的称呼可能包含了一些身份信息,但我还是打算把这一列给删掉...

data.drop('Name',inplace=True,axis=1)

  (4)统一将 categorical 数据进行 One-Hot

  One-Hot 大致的意思在之前的文章讲过了,这里也不再赘述。

data['Pclass'] = data['Pclass'].astype(str)
data['FamilyNum'] = data['FamilyNum'].astype(str)
dummied_data = pd.get_dummies(data)

  (5)数据处理完毕,将训练集和测试集分开

X_train = dummied_data.loc[train_data.index].values
X_test = dummied_data.loc[test_data.index].values

三、构建模型

  这里用到了 sklearn.model_selection 的 GridSearchCV,我主要用它来调参以及评定 score。

 1、XGBoost

xgbc = XGBClassifier()
params = {'n_estimators': [100,110,120,130,140], 
          'max_depth':[5,6,7,8,9]}
clf = GridSearchCV(xgbc, params, cv=5, n_jobs=-1)
clf.fit(X_train, y_train)
print(clf.best_params_)
print(clf.best_score_) 
  {'max_depth': 6, 'n_estimators': 130}
  0.835016835016835 

 2、Random Forest

rf = RandomForestClassifier()
params = {
    'n_estimators': [100,110,120,130,140,150],
    'max_depth': [5,6,7,8,9,10],
}
clf = GridSearchCV(rf, params, cv=5, n_jobs=-1)
clf.fit(X_train, y_train)
print(clf.best_params_)
print(clf.best_score_)
  {'max_depth': 8, 'n_estimators': 110}
  0.8294051627384961

四、模型融合

from sklearn.ensemble import VotingClassifier
xgbc = XGBClassifier(n_estimators=130, max_depth=6)
rf = RandomForestClassifier(n_estimators=110, max_depth=8)

vc = VotingClassifier(estimators=[('rf', rf),('xgb',xgbc)], voting='hard')
vc.fit(X_train, y_train)

  准备就绪,预测并保存模型与结果

y_test = vc.predict(X_test)

# 保存模型
from sklearn.externals import joblib
joblib.dump(vc, 'vc.pkl')

submit = pd.DataFrame(data= {'PassengerId' : test_data.index, 'Survived': y_test})
submit.to_csv('./input/submit.csv', index=False)

  最后提交即可,提交的方式也在上一篇提到过了。Over~    项目地址:Titanic

扫码关注我们
微信号:SRE实战
拒绝背锅 运筹帷幄