泰坦尼克号生存预测

泰坦尼克号生存预测分析

（一）提出问题

什么样的人在泰坦尼克号中更容易存活？

（二）理解数据

1.导入数据，为了方便同时对训练数据和测试数据进行清洗，需要将两个数据集合并

2.查看数据集信息

数据集由12个字段构成，12个字段的含义如图：

数据总共有1309行，Survived是标签，用作机器学习预测，无需处理。数据类型列：年龄（Age）、船舱号（Cabin）里面有缺失数据：

（1）年龄（Age）里面数据总数是1046条，缺失了263，缺失率20%；

（2）船票价格（Fare）里面数据总数是1308条，缺失了1条数据字符串列；

（3）登船港口（Embarked）里面数据总数是1307，只缺失了2条数据，缺失较少；

（4）船舱号（Cabin）里面数据总数是295，缺失了1014，缺失率77.5%，缺失较大；

（三）数据清洗

3.1缺失数据填充

登船港口缺失2个值，将其填充为出现次数最多的值，船舱号(Cabin)缺失值较多，将其填充为’U’

3.2特征提取

3.2.1数据分类

对于不同数据类型的特征提取方法不同，对于数值类型的数据可直接使用，对于日期数据需转换为单独的年、月、日，对于分类数据使用One-hot编码方法用数字代替类别

3.2.2数值类型

乘客编号（PassengerId），年龄（Age），船票价格（Fare），同代直系亲属人数（SibSp），不同代直系亲属人数（Parch）

3.2.3分类数据

（1）.有直接类别的

乘客性别（Sex）：男性male，女性female。将性别的值映射为数值，男（male）对应数值1，女（female）对应数值0

登船港口（Embarked）：出发地点S=英国南安普顿Southampton，途径地点1：C=法国 瑟堡市Cherbourg，出发地点2：Q=爱尔兰 昆士敦Queenstown

客舱等级（Pclass）:1=1等舱，2=2等舱，3=3等舱

（2）字符串类型

乘客姓名（Name）在乘客名字中，有一个非常显著的特点：乘客头衔每个名字当中都包含了具体的称谓或者说是头衔，将这部分信息提取出来后可以作为非常有用一个新变量，可以帮助我们进行预测

客舱号首字母是客舱的类别

建立家庭人数和家庭类别

3.3特征选择

相关性矩阵

特征选择

（四）构建模型并进行准确性评估

随机森林模型预测，平均准确率为0.79

逻辑回归模型，平均准确率为0.82

（五）得到预测结果