Kaggle入门系列：（三）Titanic竞赛初试身手

本篇文章针对刚刚接触Kaggle的同学，介绍参加Kaggle数据分析竞赛的完整流程，最快速度完成一个比赛。

前言

Kaggle是一个数据分析的竞赛平台。企业可以将数据、问题描述和期望指标发布到Kaggle平台，以竞赛的形式向广大的数据科学家征集解决方案。参赛者将数据下载下来，分析数据、建立模型、解决问题，最后提交解决问题的结果。

进入Kaggle网站：

Kaggle中的比赛主要分为三类：Featured、Research和Getting Started。进入Kaggle网站的Competition栏目后，我们可以看到目前正在举行的竞赛。我们选择Titanic幸存者预测这个竞赛，教大家一步一步完成比赛。

Kaggle竞赛项目的全过程：
- 了解问题背景：对竞赛的背景进行了解
- 下载数据
- 分析数据：Explore Data Analysis
- 数据处理和特征工程：Data Process and FeatureEngineering
- 模型选择：Model Select
- 提交结果：Submission

第一步：了解问题背景

没错，Titanic就是那部著名的电影：“泰坦尼克号”。我们需要预测泰坦尼克号沉没的时候哪些乘客成为了幸存者。

第二步：下载数据

有三个数据csv文件需要我们下载。

gender_submission.csv：我们需要提交的示例文件

test.csv：测试数据集

train.csv：训练数据集

第三步：读取数据，分析数据

Pandas是目前最强大的数据分析包，没有之一。可以用.info()函数查看当前dataframe的信息。

训练数据集有891行12列。各列代表的信息：
· PassengerId：一个用以标记每个乘客的数字id
· Survived：标记乘客是否幸存——幸存(1)、死亡(0)。我们将预测这一列。
· Pclass：标记乘客所属船层——第一层(1),第二层(2),第三层(3)。
· Name：乘客名字。
· Sex：乘客性别——男male、女female
· Age：乘客年龄。部分。
· SibSp：船上兄弟姐妹和配偶的数量。
· Parch：船上父母和孩子的数量。
· Ticket：乘客的船票号码。
· Fare：乘客为船票付了多少钱。
· Cabin：乘客住在哪个船舱。
· Embarked：乘客从哪个地方登上泰坦尼克号。

第四步、数据处理和特征工程

数据分析过程中，了解业务背景是非常重要的。
大家记得在泰坦尼克号沉没的时候，船长说了一句话：小孩和妇女先走，男人留下。
知道这个背景以后，在做数据处理的时候我们就应该知道Sex和Age两个字段应该是关键。

（1）Age处理，填充缺失值

Age字段共有714，缺失值比较多，我们采用Age的中位数进行填充。

注意：我们需要同时对训练集和测试集做相同的处理。

（2）Sex处理，属性变换
Sex有两个属性：male和female，代表男性和女性。为了方便分类器处理，我们用1和0来代替。

（3）特征选择
为了最快速度上手，我们只需要选择Age和Sex两个字段。

第五步：模型选择

我们的任务是预测乘客是否能幸存，很明显是一个基本的二分类问题（Binary Classification）。可以用来处理二分类问题的模型主要有：感知机、Logistic回归、决策树、SVM和随机森林等，可选的模型非常多。网上有一张图，建议我们选择哪种模型应用到我们的项目中。

这里我们选择sciket-learn提供的决策树（Decision Tree）模型。

第六步、预测结果并提交

最后，将我们训练好的模型在测试集上进行测试，将结果按照要求保存下来。将结果提交到kaggle网站，计算我们的得分。
（1）保存结果

（2）提交到Kaggle
Kaggle提供了Submit Predictions页面，我们只需要将decision_tree.csv文件拖拽到uploadsubmission file中就可以自动上传。

我们将预测结果提交到Kaggle网站，Kaggle会对我们提交的结果与kaggle后台的数据进行对比，计算出我们的准确率和得分（score）。

此次提交的准确率只有60.7%。

我们第一次提交结果，不要太过于在意分数，接下来的系列文章我将会介绍很多提升分数的技巧。

结束语

本文介绍了参加kaggle数据分析竞赛的一个完整流程：加入比赛并了解比赛背景、获取数据、数据分析、特征工程、模型训练、提交结果。现在，我们对参加比赛的完整流程已经比较了解，下一步就是通过特征工程、调参、模型融合等手段来提高我们的分数。

欢迎关注微信公众号：kaggle数据分析。后台回复“titanic”获取代码和数据。