項目名稱：泰坦尼克號生存率預測1.導入數據

這里使用kaggle kernel編寫代碼

數據下載地址為：https://www.kaggle.com/c/titanic

2.數據統計分析

通過describe和info方法，我們可以發現Age，Cabin，Embarked和Fare的數據都有不同程度的缺失，同時Age和Fare的數據存在錯誤的數據。

3.數據清洗

a）首先對數據類型缺失值的處理

這里使用fiilna方法進行填充，填充值為平均值。

b）字符串類型缺失數據的處理

4.特征提取

數值類型：直接使用

時間序列：轉成單獨的年、月、日

分類數據：用數值代替類別，One-hot編碼

這里分類數據又分為：有類別的以及字符串，有類別的包括Sex，Embarked以及Pclass，字符串則包括：Name，Cabin以及Ticket

分類數據的特征提取：性別

分類數據的特征提取：登船港口，客艙等級

這里使用get_dummies方法來進行one-hot編碼

分類數據的特征提取：姓名

先定義一個提取姓名中名稱的函數，使用的是split方法

再用map和get_dummies函數進行處理

分類數據的特征提取：客艙號

分類數據的特征提取：家庭類別

這里通過分類，將家庭規模分為單個，小家庭以及大家庭并存儲至familyDf數據集中

特征選擇：使用corr分析各個數據

這里將與生存率有關的相關系數進行降序排列，看看誰與生存率的關系最大

5.構建模型

首先使用train_test_split函數用于將矩陣隨機劃分為訓練子集和測試子集，并返回劃分好的訓練集測試集樣本和訓練集測試集標簽。

再使用LogisticRegression進行邏輯回歸的模型進行訓練

評估模型：這里使用model.score方法對模型進行評估，最終得到模型的準確率為0.8。

6.方案實施

總結

以上是生活随笔為你收集整理的泰坦尼克号数据集_机器学习入门—泰坦尼克号生存率预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。