python决策树———泰坦尼克号乘客生存预测完整流程

一、前序

1. 数据介绍

在Kaggle举行了很多数据分析比赛，其中比较著名的就有泰坦尼克号乘客生还预测，主要分析在泰坦尼克号事件中，存活下来的人主要特征是什么。

该数据集共有数据量1309，其中训练集的大小为891，测试集大小为418。

数据一共12个特征，如下所示：
PassengerId: 乘客编号
Survived :存活情况（存活：1 ; 死亡：0）
Pclass : 客舱等级
Name : 乘客姓名
Sex : 性别
Age : 年龄
SibSp : 同乘的兄弟姐妹/配偶数
Parch : 同乘的父母/小孩数
Ticket : 船票编号
Fare : 船票价格
Cabin :客舱号
Embarked : 登船港口

---

2. 工具介绍

本次数据分析用到的工具有：
①scikit-learn 0.20.1
②pandas 0.25.0
③numpy 1.19.0
④python 3.6
⑤matplotlib
⑥jupyter notebook(主要编程工具)

---

二. 数据处理

1. 查看数据

#1 导包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import cross_val_score #交叉验证
from sklearn.model_selection import train_test_split #训练集测试集的划分
from sklearn.model_selection import GridSearchCV  #网格搜索
from sklearn import tree

#2 导入数据
data = pd.read_csv(r"C:\Users\Administrator\Desktop\data.csv")
# 查看数据大小
print('数据集的大小:',data.shape)
# 数据的前几行
data.head()

数据共有891行，12列

'''
   训练集中类别为0(死亡)的有549个，类别为1(存活)的有342个
'''
print(data.Survived.value_counts())
data.Survived.value_counts().plot(kind='bar')

---

2. 查看数据描述和完整性

data.describe()

data.info()

从中可以看出，上表中看到Age列有714行，缺失了177行；
Cabin有204行，缺失了687行；
Embarked有889行，缺失了2行。

所以我们要对缺失值进行处理。

---

3. 缺失值处理
首先删除掉缺失值太多的列，与预测结果无关的列Cabin、Name、Ticket、PassengerId

data = data.drop(["Cabin","Name","Ticket","PassengerId"],axis=1)

接着是对Age和Embarked列进行填充；
对于Age，用中位数填充，因为中位数不受极端的影响；
对于Embarked，用最多的值填充，这个特征在该数据中最多的值为S。

print(data['Embarked'].value_counts())
data['Embarked'].fillna('S', inplace=True)

查看处理后的数据，可以看到数据中不在有缺失特征的数据了。

data.info()
data.head()

---

4. 特征提取
有些变量是离散型的，如Sex、Pclass和Embarked，我们对这些特征进行处理，用数值代替类别，并对其中两类以上的特征进行One-hot编码。

# 将性别的值映射为数值
sex_mapDict = {'male':1, 'female':0}
data['Sex'] = data['Sex'].map(sex_mapDict)

# 对Pclass和Embarked特征进行One-Hot编码
data = pd.concat([data, pd.get_dummies(data['Pclass'], prefix='Pclass')], axis=1)
data = pd.concat([data, pd.get_dummies(data['Embarked'], prefix='Embarked')], axis=1)

# 删除舰艇等级(Pclass)和(Embarked)列
data.drop('Embarked', axis=1, inplace=True)
data.drop('Pclass', axis=1, inplace=True)

data.head()

**三. 特征选择 **

该阶段我们的目的是选择重要特征进行训练，我们用pearson相关系数法查看

corrDf = data.corr()
corrDf['Survived'].sort_values(ascending =False)

根据结果，从中我们挑选出相关度较高的特征，忽略影响较小的特征。所以我们忽略Parch、SibSp特征，选择剩余特征进行训练。

data.drop(['Parch','SibSp'],axis=1, inplace=True)
data.head()

---

四. 模型训练

4.1 划分数据集

首先我们需要构建训练集和测试集。

data.drop(['Survived'],axis=1,inplace=True)
targets = pd.read_csv(r"C:\Users\Administrator\Desktop\data.csv", usecols=['Survived'])['Survived'].values

#划分训练集和测试集
train_X, test_X, train_Y, test_Y = train_test_split(data, targets, test_size=0.2)

# 输出数据集大小
print ('原始数据集特征：',data.shape, 
       '训练数据集特征：',train_X.shape ,
       '验证数据集特征：',test_X.shape)

print ('原始数据集标签：',targets.shape, 
       '训练数据集标签：',train_Y.shape ,
       '验证数据集标签：',test_Y.shape)

训练集和测试集数量和维度如下所示：

---

4.2 模型超参数选择

通过GridSearchCV的网格搜索方法，探索决策树的最佳超参数，从splitter、criterion、max_depth和min_samples_leaf四个参数构建出最佳参数方案，评价指标为f1_score，cv(交叉验证)次数为5。

#决策树模型选择
params={
        "splitter":("best","random")
         ,"criterion":("gini","entropy")
         ,"max_depth":[*range(1,10)]
         ,"min_samples_leaf":[*range(1,21,2)]
        }

clf=tree.DecisionTreeClassifier()
GS = GridSearchCV(clf,params,cv=5,scoring='f1')
GS.fit(train_X,train_Y)

print(GS.best_params_)  #最佳参数
print(GS.best_score_)  #最优评分（对应最佳参数）

超参数选择结果如下：

4.3 模型训练和评估

我们用上一阶段得到的超参数训练模型并对测试集进行预测，代码和结果如下所示：

from sklearn.tree import DecisionTreeClassifier

model = DecisionTreeClassifier(criterion="entropy",max_depth=8, min_samples_leaf=7, splitter='best')
model.fit(train_X,train_Y)

print('决策树score:',model.score(test_X,test_Y))
print('决策树f1_score:',f1_score(test_Y,model.predict(test_X)))

最终f1_score的结果为0.72

---

4.4 模型可视化

我们用graphviz包来可视化我们训练好的决策树模型，代码如下

import graphviz

# 特征
feature_name = ['Sex','Age','Fare','Pclass_1','Pclass_2','Pclass_3','Embarked_C','Embarked_Q','Embarked_S']
 
dot_data = tree.export_graphviz(model,feature_names=feature_name,out_file = 'tree.dot'
                                ,class_names=["活", "死"]
                                ,filled=True
                                ,rounded=True)
                                
with open("tree.dot",encoding='utf-8') as f:
    dot_graph = f.read()
graph=graphviz.Source(dot_graph.replace("helvetica","FangSong"))
graph.view()

代码运行效果如下：

---

4.5 集成学习

我们用集成学习方法再预测一次，随机森林是决策树的集成。
我们通过特征选择，模型训练和模型评估，验证集成学习在测试集上的评估指标是否有提升。

from sklearn.ensemble import RandomForestClassifier

#模型选择
params={
        "n_estimators":[*range(10,30)]
         ,"criterion":("gini","entropy")
         ,"max_depth":[*range(3,10)]
         ,"min_samples_leaf":[*range(3,21,5)]
        }

clf = RandomForestClassifier()
GS = GridSearchCV(clf,params,cv=5,scoring='f1')
GS.fit(train_X,train_Y)

print(GS.best_params_)  #最佳参数
print(GS.best_score_)  #最优评分（对应最佳参数）

model = RandomForestClassifier(criterion='entropy',max_depth=8,min_samples_leaf=1,n_estimators=10)
model.fit(train_X,train_Y)

print('随机森林score:',model.score(test_X,test_Y))
print('随机森林f1_score:',f1_score(test_Y,model.predict(test_X)))

评估结果如下，可以看到集成学习确实能提高f1_score