深入分析泰坦尼克号分析生存率
目录
背景
目标¶
数据字典
1.获取数据
2.探索数据
2.1.基本信息查看（Head, info）
2.2.数据清洗
2.3.数据探索及数据解释
3.数据建模
4.数据分析
5.总结
背景
- 泰坦尼克号：英国白星航运公司下辖的一艘奥林匹克级邮轮，于1909年3月31日在爱尔兰贝尔法斯特港的哈兰德与沃尔夫造船厂动工建造，1911年5月31日下水，1912年4月2日完工试航。
- 首航时间：1912年4月10日
- 航线：从英国南安普敦出发，途经法国瑟堡-奥克特维尔以及爱尔兰昆士敦，驶向美国纽约。
- 沉船：1912年4月15日（1912年4月14日23时40分左右撞击冰山）
- 船员+乘客人数：2224
- 遇难人数：1502（67.5%）
目标¶
建立决策树模型，按照乘客的特征预测该乘客是否会在此次事故中死亡。
数据字典
| Survived | Definition | Details | Sex | Definition | Details |
| 死亡 | 0 | NA | 男 | 0 | <= 0.5 |
| 生还 | 1 | NA | 女 | 1 | <= 1 |
| Pclass | Embarked | ||||
| 一等位 | 1 | <= 1.5 | Cherbourg | 0 | <= 0.5 |
| 二等位 | 2 | <= 2.5 | Queenstown | 1 | <= 1 |
| 三等位 | 3 | <= 3 | Southampton | 2 | <= 2 |
为了更方便后续建立决策树模型，数据会转换成数字的形式。大纲可参考上表。以下会详细解释相关的数据。
- PassengerId 乘客id
- 不存在很大的相关性，因此会进行删除。
- Survived 是否获救
- 0=没有获救，1=有获救
- 获救：38.25%
- 遇难：61.75%（实际遇难比例：67.5%）
- Pclass 船票级别
- 代表社会经济地位。 1： 一等座位（），2 ： 二等座位，3 ：三等座位
- 人数占比是一等座位（24.07%），二等座位（20.70%），三等座位（55.23%）
- Sex 性别
- male 男 =0，female 女 =1
- 男 : 女 = 64.9% : 35.1%
- Age 年龄（缺少20%数据）
- 幼儿(5.29%)
- 儿童(2.47%)
- 少年(12.37%)
- 青年(61.64%)
- 中年(15.41%)
- 老年(2.81%)
- 一般来说：0（初生）-6岁为婴幼儿；7-12岁为少儿；13-17岁为青少年；18-45岁为青年；46-69岁为中年；>69岁为老年。
- SibSp 同行的兄弟姐妹或配偶总数
- 68%无，23%有1个 … 最多8个
- Parch 同行的父母或孩子总数
- 76%无，13%有1个，9%有2个 … 最多6个
- Some children travelled only with a nanny, therefore parch=0 for them.
- Ticket 票号（格式不统一）
- 示例：A/5 21171
- 示例：STON/O2. 3101282
- Fare 票价
- Embarked 登船港口
- C = Cherbourg（瑟堡）19%, Q = Queenstown（皇后镇）9%, S = Southampton（南安普敦）72%
衍生字段（部分，在后续代码中补充）
- categories
- 以年龄进行划分
1.获取数据
from sklearn import tree
import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import cross_val_score
import matplotlib.pyplot as plt
import numpy as np
import graphviz
import seaborn as sns
"""读取数据及观察数据"""
data = pd.read_csv("C:\\Users\\DA21\\Eric_TDAS\\train.csv")
2.探索数据
2.1.基本信息查看（Head, info）
data.head()
data.info()
从上表中可以看到，因为PassengerID 和 Name， Ticket，Cabin等不太重要。且Cabin的缺失值严重，所以在2.2.会进行删除的操作
2.2.数据清洗
#将没有用的columns 删除
data.drop(["PassengerId","Name","Ticket","Cabin"],inplace = True, axis = 1)#Age的列存在缺失值，因此要将缺失值进行填补。
data["Age"] = data["Age"].fillna(data["Age"].mean())#看看Embarked的列有多少个值。然后并将其转换成list，以便后续将其转换成数字
label_1 = data["Embarked"].unique().tolist()
label_1#将数据转换成 0 1 2 的形式
data["Embarked"] = data["Embarked"].apply(lambda x : label_1.index(x))#看看Sez有多少个值，并在后续转换成数值
label_2 = data["Sex"].unique().tolist()
label_2
#将数值转换成 0 1 的形式，方便后续建模使用
data["Sex"] = data["Sex"].apply(lambda x : label_2.index(x))2.3.数据探索及数据解释
#将年龄进行分类。方便数据探索
data["Survived"].replace(0, "死",inplace =True)
data["Survived"].replace(1, "生",inplace =True)
data["Pclass"].replace(1, "一等位",inplace =True)
data["Pclass"].replace(2, "二等位",inplace =True)
data["Pclass"].replace(3, "三等位",inplace =True)
data["Sex"].replace(0, "男",inplace =True)
data["Sex"].replace(1, "女",inplace =True)
data
import matplotlib as mpl
mpl.rcParams['font.family']='DFKai-SB' # 修改了全局变量
plt.style.use('grayscale')
s_pclass= data['Survived'].groupby(data['Pclass'])
s_pclass = s_pclass.value_counts().unstack()
# s_pclass = data.groupby(data['Survived'])['Pclass'].count()
s_pclass
fig = s_pclass.plot(kind='bar',stacked = True, colormap='tab20c',title='不同舱位的死亡人数。',fontsize=20)
fig.axes.title.set_size(20) 
数据解释：三等位的死亡人数为最高，约490人，且死亡比例为78%。而一等位的死亡人数最低，约90人，且死亡比例为45%。其中二等位的死亡人数，约100人，死亡比例约50%。
s_sex = data['Survived'].groupby(data['Sex'])
s_sex = s_sex.value_counts().unstack()
# s_sex = s_sex[[1.0,0.0]]
fig = s_sex.plot(kind='bar',stacked = True, colormap='tab20c',title='男女的死亡率。',fontsize=20)
数据解释：女性的死亡人数最低，约为80人，死亡比率为27%。而男性的死亡人数及死亡比率较高，分别为460及92%。
#将年龄进行分类。
bins = [0,6, 12, 20,39,59,100]
group_names = ['幼儿', '儿童', '少年',"青年","中年","老年"]
data['categories'] = pd.cut(data['Age'], bins, labels = group_names)
datampl.rcParams['font.family']='DFKai-SB' # 修改了全局变量
plt.style.use('grayscale')
s_pclass= data['Survived'].groupby(data['categories'])
s_pclass = s_pclass.value_counts().unstack()
fig = s_pclass.plot(kind='bar',stacked = True, colormap='tab20c',title='不同年龄的死亡率。',fontsize=20)
fig.axes.title.set_size(20)
数据解释：青年，少男及中年分类的人死亡率约为50 - 60%，属于死亡人数最高的类别。最高死亡率的分类是 儿童及老年分类的死亡比率约84%。反之，死亡率最低的是幼儿类，约17%。
plt.style.use('grayscale')
x = data["Survived"].value_counts()
fig = x.plot.pie(figsize=(8, 8),autopct='%.2f',colormap='tab20c',title='死亡比率。',fontsize=20)
fig.axes.title.set_size(25) 
数据解释：整体死亡率超过60%，属于较高水平。
plt.style.use('grayscale')
x = data["Pclass"].value_counts()
fig = x.plot.pie(figsize=(8, 8),autopct='%.2f',colormap='tab20c', title='舱位等级的人数分配',fontsize=20)
fig.axes.title.set_size(25)
数据解释：三等位的人数占比最高，约55.23%，最低是二等位，约20.7%
plt.style.use('grayscale')
x = data["Sex"].value_counts()
fig = x.plot.pie(figsize=(8, 8),autopct='%.2f',colormap='tab20c', title='性别分布',fontsize=20)
fig.axes.title.set_size(25)、
数据解释：乘客主要以男性为主，约64.9%。 男女人数相差约为两倍。
plt.style.use('grayscale')
x = data["categories"].value_counts()
fig = x.plot.pie(figsize=(8, 8),autopct='%.2f',colormap='tab20c', title='性别分布',fontsize=20)
fig.axes.title.set_size(25)
数据解释：年龄分布主要集中在青年阶段，为61.64%。第二大群体占比是 中年及少年群体，约为30%。最后占比最低的是儿童类别，约为2.47%。最高类别和最低类别相差约30倍
plt.figure(figsize=(20,15))
sns.heatmap(data.corr(),annot=True) 
数据解释：从上表中可见，最高的正相关是 sex 与 survived，约0.54，属于中度相关性。在性别（sex）数据中，0 代表男性，1代表女性。 也就是说，女性生存的几率比较高。 其次是，Fare与 survived，约为0.25，属于弱相关系数，说明票价约高与生存率有一定的关系。而 Pclass 与 Survived，属于负相关，约，-0.34。 属于弱相关系数。在座舱（Pclass）数据中，1代表一等座，2 代表二等座，3代表三等座。 这说明，数值越大，存活率越低。换句话说，三等座的死亡人数较高，这也符合逻辑推理。
总结2.2数据探索及数据解释部分，并提出相关问题。
问题1：为什么女性的生存率比男性较高？
从文化层面而言，英国较为重视绅士文化，从而令女性在此次事故中有较低的死亡率（27%）。
众所周知，英国绅士文化起源于古希腊和古代罗马。古希腊人为世界留下了丰富的文化遗产，是西方文明的摇篮文化。在希腊时期，有美德的贵族被称为绅士。他们认为绅士应该具备高尚的品质，如智慧、正义、勇气、宽容和好心。古罗马文明是古希腊文化的忠实学生，他继承了古希腊文化的余辉，他们追求民族特色，德性美德，国家忠贞，勇于牺牲的爱国主义和爱国精神，讲求严明的纪律，讲究秩序和法治观念，威严、庄重，这些都是罗马时代绅士最重要的品质。就是这种根深蒂固的文化精神，从而培养了他们十分尊重及保护女士的核心价值观。当他们在面对这次事故，他们会优先的将生存的位置留给了女性。这也是为什么， Survived 和 Sex 之前有0.54的中度正相关性。这意味着，当你是女性的时候，生存率便会更高。在男女死亡率中，男性高死亡率（73%）的数据也印证了这一观点。
问题2：为什么舱位的等级较低的生存率较低？
从船体结构而言，救生艇甲板主要集中在最上层，间接导致了第三舱位的死亡人数较高。
船体的进水位置主要是经最底部渗透进来，而这个位置恰好便是第三舱位。这大大的缩减了他们可逃亡的时间。因为他们需要跑到救生艇甲板，乘坐救生艇离开。此外，救生艇的数量大大不足，数量只能够一半的人使用。所以当第三舱位的人历尽辛苦跑到了顶层，可能也会因为缺少救生艇而无法获救。就算他们选择跳船，在极冷的天气下，他们也很难活到最后。这也就是为什么数据中指出，第三舱位的死亡率最高，约78%。 而在相关系数表中，生存（Survived ）和舱位（Pclass）之前存在负弱相关系数。这说明，舱位等级的数值越高（在数据中，高数值代表舱位等级较低），则生存率越低。此外，生存（Survived ）和船票（Fare）之前存在弱相关性，这说明生存率越高，则船票越高。
3.建模
Part A:决策树
1.1 决策树建模
#进行建模，用X的特征预测Y的值
x = data[["Pclass","Sex","Age","SibSp","Fare","Embarked"]]
y = data["Survived"]#用train_test_split的方法拆分数据集
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size = 0.2)#因为拆分后的train 和 test数据集的index会混乱，所以将数据集的index 进行重新排序
for i in [x_train, x_test, y_train, y_test]:
i.index = range(i.shape[0])#建立模型，并 fit 模型
clf = DecisionTreeClassifier(random_state = 0)
clf.fit(x_train,y_train)#看看，train test split 的模型分数是多少。
score_1 = clf.score(x_test,y_test)
score_1
#用交叉验证，看看模型的分数
score_2 = cross_val_score(clf,x,y, cv = 10).mean()
score_2 
两者的分数差异并不大，因此是属于可以接受的阶段
1.2 决策树简单调参
#看看train test split 和 cross validation （交叉验证）是否出现差异很大的情况
#并希望看看有没有过拟合的情况，以及找出最优的分数
tr = []
td = []
for i in range(10):
clf = DecisionTreeClassifier(random_state=(25), max_depth=(i +1),criterion="entropy",min_samples_leaf =16)
clf.fit(x_train,y_train)
score_tr = clf.score(x_train,y_train)
score_td = cross_val_score(clf, x,y,cv =10).mean()
tr.append(score_tr)
td.append(score_td)
print(max(td))
plt.plot(range(1,11),tr, color = "red",label ="train")
plt.plot(range(1,11),td, color = "blue",label ="test")
plt.legend()
plt.show()
根据上图可见，在没有过拟合的情况下， max_depth在等于3的时候是模型有效度最高的时候。因此接下来调节参数，在max_depth传入3的参数
1.3 决策树网格搜索调参
3.3.1 网格搜索 - 所有参数
#利用网格搜索相关参数，找出最优的参数。
gini_thresholds = np.linspace(0,0.5,20)
parameters = {'splitter':('best','random')
,'criterion':("gini","entropy")
,"max_depth":[*range(1,10)]
,'min_samples_leaf':[*range(1,50,5)]
,'min_impurity_decrease':[*np.linspace(0,0.5,20)]
}
clf = DecisionTreeClassifier(random_state=25)
GS = GridSearchCV(clf, parameters, cv=10)
GS.fit(x_train,y_train)
X = GS.best_params_
Y = GS.best_score_
print("best_params_:%s best_score_:%s " % (X,Y))
将上面的参数输入在下表中，得到了模型的参数
#把上面得到的参数，输入在模型中
clf_best =tree.DecisionTreeClassifier(random_state=25
,criterion = "gini"
, max_depth = 3
, min_impurity_decrease= 0.0
, min_samples_leaf = 1
, splitter = "best"
)
clf_best.fit(x_train, y_train)
clf_socre = clf_best.score(x_train, y_train) 
找出最优的参数，但是这是在设计5个参数下调节 出来的最优参数。但我们仍然需要一个个的调节参数，是否会存在更高的分数。
1.3.2 网格搜索 - 一个个参数进行
#min_samples_leaf的最优参数测试。结果比全部参数搜索的0.8360128617363344要低，因此不选择这个参数
parameters = {'min_samples_leaf':[*range(1,50,5)]
}
clf = DecisionTreeClassifier(random_state=25, max_depth = 3)
GS = GridSearchCV(clf, parameters, cv=10)
GS.fit(x_train,y_train)
X = GS.best_params_
Y = GS.best_score_
print("best_params_:%s best_score_:%s " % (X,Y)) 
这个分数比全部参数调参的0.8360128还要低，所以这个参数无需调整
#min_samples_leaf的最优参数测试。结果比全部参数搜索的0.8360128617363344要低，因此不选择这个参数
parameters = {'min_samples_leaf':[*range(1,50,5)]
}
clf = DecisionTreeClassifier(random_state=25, max_depth = 3)
GS = GridSearchCV(clf, parameters, cv=10)
GS.fit(x_train,y_train)
X = GS.best_params_
Y = GS.best_score_
print("best_params_:%s best_score_:%s " % (X,Y)) 
这个分数比全部参数调参的0.8360128还要低，所以这个参数无需调整
#k看x 的值排列如何，以便后续决策树可视化敲定feature name的时候用
x.columns 
#min_impurity_decrease的分数和min_samples_leaf的分数一样，且低于原本的。所以并不适用
parameters = {'min_impurity_decrease':[*np.linspace(0,0.5,20)]
}
clf = DecisionTreeClassifier(random_state=25, max_depth = 3)
GS = GridSearchCV(clf, parameters, cv=10)
GS.fit(x_train,y_train)
X = GS.best_params_
Y = GS.best_score_
print("best_params_:%s best_score_:%s " % (X,Y))
结论 ：综合全部参数进行网格搜索和一个个参数进行网格搜索，我们发现还是全部参数进行网格搜索的准确率最高
3.4 决策树可视化及预测
Step 1：确定 class name
#看看y值是如何排序的，方便后续敲定class_name的时候用
y.unique()
Step 2：建模最有效的模型
#利用网格搜索相关参数，找出最优的参数。
gini_thresholds = np.linspace(0,0.5,20)
parameters = {'splitter':('best','random')
,'criterion':("gini","entropy")
,"max_depth":[*range(1,10)]
,'min_samples_leaf':[*range(1,50,5)]
,'min_impurity_decrease':[*np.linspace(0,0.5,20)]
}
clf = DecisionTreeClassifier(random_state=25)
GS = GridSearchCV(clf, parameters, cv=10)
GS.fit(x_train,y_train)
X = GS.best_params_
Y = GS.best_score_
print("best_params_:%s best_score_:%s " % (X,Y))Step 3：根据模型，可视化决策树。
#需要特别注意class_name 和 feature_names的排列。否则会出现很大的失误
feature_name =["舱位","性别","年龄","堂兄弟/妹个数","船费","登船地区"]
dot_data = tree.export_graphviz(clf
, feature_names = feature_name
, class_names = ["死","生"]
, filled = True#圆头的意思
, rounded =True#颜色的意思
)
graphviz.Source(dot_data) 
说了那么多，到底你是否能在那场灾难中存活呢？这涉及许多因素，也许很多人说，只要你是女的，有钱，那就能存活了。 那事实真的如此吗？以下，我将会以决策树进行分析不同背景的人士，并指出他是否能存活。
个人特别喜欢刘德华，那就看看刘德华是否能存活吧。
刘德华：年纪59岁，比较富有，我相信他会买一级座位，然后船票大概300元。
刘德华是否能存活？答案是不能。
根据刘德华的特点代入，他只有死路一条哈哈。
那换个女的吧。我们假设小花，今年十八岁，比较穷，买的第三舱位，票价大概30元。
那我们看看，他能不能存活吧。
小花还是挂了。。。。
如果根据决策树进行分析的话，
条件1：只要你性别是男生，且年龄小于10岁，而兄弟姐妹数量小于2.5个，你才能存活，否则，只要你是个男的，你就挂了。
条件2： 你是个女生，且不太穷，买的舱位是一级和二级座位，那么恭喜你，你是基本能活下来的。反而如果你穷点，买的是三级座位且票价小于23.5元，那么你还有几率活下来，否则只有等死。
接下来会进行更深入的分析，比如模型调参，对比以及按照每个人的条件，预测该人是否会死亡。
3.5 决策树预测
假设1 ：小明特点如下
1.座位等级（pclass）是一等位（1）
2.是男生（0）
3.在Southampton上船（2）
4.年龄大概20岁
5.船票80元
6.独生子女
假设2 ：小美特点如下
1.座位等级（pclass）是二等位（2）
2.是男生（1）
3.在Questown上船（1）
4.年龄大概50岁
5.船票19元
6.两个孩子（2）
假设3 ：老黄特点如下
1.座位等级（pclass）是三等位（3）
2.是女生（1）
3.在Questown上船（1）
4.年龄大概90岁
5.船票380元
6.两个孩子（4）
假设4 ：大白特点如下
1.座位等级（pclass）是三等位（1）
2.是女生（1）
3.在Questown上船（1）
4.年龄大概32岁
5.船票100元
6.一个孩子（1）
假设5 ：大白特点如下
1.座位等级（pclass）是三等位（3）
2.是女生（0）
3.在Questown上船（1）
4.年龄大概88岁
5.船票5元
6.一个孩子（0）
#决策树的预测
detail_information_2 =[[1,0,20,0,80,2],[2,1,50,2,19,1],[3,1,90,4,380,1],[1,1,32,1,100,1],[3,0,88,0,5,1]]#相关的值
name_2 = ["小明","小美","老黄","大白","Ache"]#人名
predict_survived_2 = rfc.predict(detail_information_2)#预测死或者生
predict_survived_2 = list(predict_survived_2)#将值转换成list
information_2 = pd.DataFrame(detail_information_2)#将数据存入DataFrame
information_2["预测结果"] = predict_survived_2#将死亡记录写入DataFrame
information_2.rename(columns={0:"座位等级",1:"性别",2:"年龄",3:"兄弟姐妹人数",4:"票价",5:"上船的港口"},inplace = True)
predict_proba_2 = rfc.predict_proba(detail_information_2)#预测
predict_proba_2 = pd.DataFrame(predict_proba_2)#将数值转换成DataFrame
predict_proba_2.rename(columns={0:"死亡几率",1:"生存几率"},inplace =True)#修改列名
full_information_2 = pd.concat([information_2, predict_proba_2], axis=1)#将两个DataFrame进行合并
full_information_2["预测结果"].replace(0, "死",inplace =True)
full_information_2["预测结果"].replace(1, "生",inplace =True)
full_information_2["座位等级"].replace(1, "一等位",inplace =True)
full_information_2["座位等级"].replace(2, "二等位",inplace =True)
full_information_2["座位等级"].replace(3, "三等位",inplace =True)
full_information_2["性别"].replace(0, "男",inplace =True)
full_information_2["性别"].replace(1, "女",inplace =True)
full_information_2["上船的港口"].replace(0, "瑟堡-奥克特维尔 ",inplace =True)
full_information_2["上船的港口"].replace(1, "皇后镇",inplace =True)
full_information_2["上船的港口"].replace(2, "南安普敦",inplace =True)
full_information_2.index = name_2
Part B. 随机森林建模
2..1 随机森林建模
rfc = RandomForestClassifier(n_estimators = 100, random_state = 90)
score_rfc = cross_val_score(rfc,x,y,cv =10).mean()
score_rfc 
简单跑一下模型，得分为81分，效果还可以。接下来会进行简单的调参，确定n_estimator数值是多少
2.2 随机森林-确定最优estimator
"""
在这里我们选择学习曲线，可以使用网格搜索吗？可以，但是只有学习曲线，才能看见趋势
我个人的倾向是，要看见n_estimators在什么取值开始变得平稳，是否一直推动模型整体准确率的上升等信息
第一次的学习曲线，可以先用来帮助我们划定范围，我们取每十个数作为一个阶段，来观察n_estimators的变化如何
引起模型整体准确率的变化
"""
scorel = []
for i in tqdm( range(0,200,10), "updating"):
rfc = RandomForestClassifier(n_estimators=i+1
# ,n_jobs=-1
,random_state=90)
score = cross_val_score(rfc,x,y,cv=10).mean()
scorel.append(score)
print(max(scorel),(scorel.index(max(scorel))*10)+1)#因为每十次循环一次，所以要×10，加1是因为 index 从零开始
plt.figure(figsize=[20,5])
plt.plot(range(1,201,10),scorel)
plt.show()
在n_estimator 等于 61 的情况下，最佳的分数是0.820045. 但是由于这个是每10次循环一次，可能仍然会存在不准确的情况。所以下面会用 50 到 70 之间的range，再跑一次，看看有没有更优的n_estimator
#看看n_extimator附近参数是否还有的提高。
#结果是没有提高的。
scorel = []
for i in tqdm (range(50,70),"updating"):
rfc = RandomForestClassifier(n_estimators=i,
n_jobs=-1,
random_state=90)
score = cross_val_score(rfc,x,y,cv=10).mean()
scorel.append(score)
print(max(scorel),([*range(50,70)][scorel.index(max(scorel))]))
plt.figure(figsize=[20,5])
plt.plot(range(50,70),scorel)
plt.show() 
数据并没有变化，因此，会在接下来使用n_estimator 等于 61的情况下，进行网格搜索
2.3网格搜索-确定最优参数
#利用网格搜索max_depth参数，找出最优的参数。
parameters = {
'max_depth':np.arange(1, 20, 1)
}
rfc = RandomForestClassifier(n_estimators = 61, random_state = 90)
GS = GridSearchCV(rfc, parameters, cv=10)
GS.fit(x,y)
X = GS.best_params_
Y = GS.best_score_
print("best_params_:%s best_score_:%s original:0.8200459652706844 " % (X,Y)) 
可以看到max_depth 等于9的时候，分数有所提升。因此接下来的测试会增加这个参数进行网格搜索。
#利用网格搜索max_depth参数，找出最优的参数。
parameters = {
'min_samples_split':np.arange(2, 2+20, 1)
}
rfc = RandomForestClassifier(n_estimators = 61
,random_state = 90
,max_depth= 9)
GS = GridSearchCV(rfc, parameters, cv=10)
GS.fit(x,y)
X = GS.best_params_
Y = GS.best_score_
print("best_params_:%s best_score_:%s original:0.8200459652706844 adjust_depth:0.8357635342185905 " % (X,Y))
可以看到max_sample_split 等于8的时候，分数有所提升。接下来会利用得到的参数，进行数据建模
2.4 随机森林predict
2.4.1 数据建模
x = data[["Pclass","Sex","Age","SibSp","Fare","Embarked"]]
y = data["Survived"]
rfc = RandomForestClassifier(n_estimators = 61
,random_state = 90
,max_depth= 9
,min_samples_split = 8).fit(x,y)
rfc_score = cross_val_score(rfc,x,y,cv =10).mean()
rfc_score 
2.4.2 数据预测
假设1 ：小明特点如下
1.座位等级（pclass）是一等位（1）
2.是男生（0）
3.在Southampton上船（2）
4.年龄大概20岁
5.船票80元
6.独生子女
假设2 ：小美特点如下
1.座位等级（pclass）是二等位（2）
2.是男生（1）
3.在Questown上船（1）
4.年龄大概50岁
5.船票19元
6.两个孩子（2）
假设3 ：老黄特点如下
1.座位等级（pclass）是三等位（3）
2.是女生（1）
3.在Questown上船（1）
4.年龄大概90岁
5.船票380元
6.两个孩子（4）
假设4 ：大白特点如下
1.座位等级（pclass）是三等位（1）
2.是女生（1）
3.在Questown上船（1）
4.年龄大概32岁
5.船票100元
6.一个孩子（1）
#随机森林的预测
detail_information =[[1,0,20,0,80,2],[2,1,50,2,19,1],[3,1,90,4,380,1],[1,1,32,1,100,1]]#相关的值
name = ["小明","小美","老黄","大白"]#人名
predict_survived = rfc.predict(detail_information)#预测死或者生
predict_survived = list(predict_survived)#将值转换成list
information = pd.DataFrame(detail_information)#将数据存入DataFrame
information["预测结果"] = predict_survived#将死亡记录写入DataFrame
information.rename(columns={0:"座位等级",1:"性别",2:"年龄",3:"兄弟姐妹人数",4:"票价",5:"上船的港口"},inplace = True)
predict_proba = rfc.predict_proba(detail_information)#预测
predict_proba = pd.DataFrame(predict_proba)#将数值转换成DataFrame
predict_proba.rename(columns={0:"死亡几率",1:"生存几率"},inplace =True)#修改列名
full_information = pd.concat([information, predict_proba], axis=1)#将两个DataFrame进行合并
full_information["预测结果"].replace(0, "死",inplace =True)
full_information["预测结果"].replace(1, "生",inplace =True)
full_information["座位等级"].replace(1, "一等位",inplace =True)
full_information["座位等级"].replace(2, "二等位",inplace =True)
full_information["座位等级"].replace(3, "三等位",inplace =True)
full_information["性别"].replace(0, "男",inplace =True)
full_information["性别"].replace(1, "女",inplace =True)
full_information["上船的港口"].replace(0, "瑟堡-奥克特维尔 ",inplace =True)
full_information["上船的港口"].replace(1, "皇后镇",inplace =True)
full_information["上船的港口"].replace(2, "南安普敦",inplace =True)
full_information.index = name
根据上表的假设下，得出了是否死亡的结果，并附有死亡及生存几率
Part A 及 Part B的总结： 决策树和随机森林的预测结果，差异并不大。可能两个模型的有效度并不高。
5.模型对比
#可视化看看那个model有效度比较高
score = [clf_socre,rfc_score]
model_name = ["DecisionTree","RandomForest"]
plt.style.use('grayscale')
plt.bar(model_name,score)
可以看到两者的高度差不多，难以分出高下，因此笔者用了饼图进行比较。
plt.figure(figsize=(6,9)) #调节图形大小
colors = ['red','yellowgreen']
plt.pie(score,labels= model_name,colors = colors,autopct = '%3.2f%%') 
可以看到随机森林的有效度更高。所以在做预测的时候，会优先选取随机森zuo'we
5.总结
根据决策树可视化而言，只要是男生，死亡率会很高。一般十岁以下的男生能存活，反之基本会挂。而且，女生的话，只有中上阶级的人才能存活，这也符合正常的逻辑推理。
根据决策树及随机森林的预测值来看，主要都是女性及一等位的人存活率越高，还有就是无论那个舱位，男性的死亡率都很高。但是，男性在第三座位死亡率是最高，反之最低是一等位。但是，一等位的死亡率也过半，属于高水平。
而随机森林的有效度更为的高，但是比决策树高的并不多。