Kaggle分类问题Titanic——Machine Learning from Disaster

前言

这是我在大三选修课的课程设计，内容参考了Kaggle上高赞的代码，有详细批注，整体比较基础，结构相对完整，便于初学者学习。这个是一个分类问题，我的另外一篇博客《Kaggle回归问题Mercedes——Benz Greener Manufacturing》介绍了回归问题。除此之外我的《电商评论文本挖掘》也是我当年的课程设计，也有详细的批注，相比这个难度会稍微高些。

1 题目介绍

题目背景：在1912年4月15日，当时世界最豪华的游艇，泰坦尼克号撞到冰山沉入海底，其中船上2224位乘客中的1502位死在了此次事故中。在幸存者中，尽管有一些是来自于幸运，但是大部分幸存着是来自于女人、小孩还有一些贵族。而我们的任务就是通过机器学习，计算出人们幸存的概率。

数据介绍：

变量	含义	备注
survival	存活情况	0为没有存活；1位存活
pclass	船舱地址	1为最好；2为中等；3为最差
sex	性别
age	年龄
sibsp	同行的配偶或兄妹数量
parch	同行的父母或孩子数量
ticket	票号
fare	船票价格
cabin	船仓号
embarked	登船港口	C为Cherbourg；Q为Queen Stown；S为Southampton

2 数据清洗

1）首先对所有数据进行整体概览。

2）观察空值情况，发现需要处理Age与Cabin。

3）填补缺失值，对Age使用中位数填补，对Cabin船舱号使用众数填补，对Fare使用中位数填补。

4）由于乘客ID是从1按顺序增加，与其他变量没有相关性；船舱有太多缺失；票号有纯数字，有字母加数字，而且全是不同的，无法使用。对这三列进行删除。

5）对数据列进行进一步出列，将SibSp陪同的配偶、兄妹数量和Parch陪同的父母孩子数量混合，合并为FamilySize家庭人数；根据FamilySize可以进一步划分出IsAlone是否独自一人乘船（1为独自，0为非独自）；因为英语中一个人的称谓能反应出一些人的年龄、性别或者地位，所以单独将对人名的称谓划分出来；根据票价的大小进行等频率切割，以便之后处理；根据年龄的大小进行按值切割，以便后续处理。

6）根据观察，发现有一些特别、无实际意义的称谓，对他们进行统一处理，变为Misc。

7）对数据中的str类变量，利用LabelEncoder，对标签进行编码，转为数字。

8）经过上面的处理完成了对数据的清洗，下图为原始，与分箱操作的变量名。

3 数据可视化分析

1）对Fare、Age、FamilySize绘制boxplot，可以观察到，票价花费大部分集中在两位数，购买头等舱的并不是很多；年龄大部分集中在28左右，有少部分的婴儿和老人，家庭成员数量普遍为1到2个，也有很多人是独自乘船。

2）利用hist绘制票价花费、年龄分布、家庭成员数量的存活数，可以发现票价越低，死亡人数相对越多；年龄越高或者越低存活概率越高；家庭成员数量在2到5个的存活概率越高。

3）利用barplot绘制港口、船舱等级、是否独自一人的幸存率，可以发现，C港口登船的相对存活率最大，头等舱的存活率更大，有同行的人的存活率更大。

4）利用pointplot绘制票价等级、年龄分布、家庭人数的幸存率，可以发现票价越高存活率越大，16岁以下的孩子与48到64岁间的人存活率更大，家庭成员数量为4的存活率最大。

5）利用boxplot與violinplot绘制船舱等级与票价花费、与是否幸存，船舱等级与年龄分布、与是否幸存，船舱等级与年龄分布、与是否幸存，可以发现进一步的关系。

6）利用kdeplot绘制年龄与幸存的核密度图，可以发现婴儿比起老人存活的概率更大，没有幸存下来的主要在30岁左右。

7）利用pairplot，绘制各个属性的关系图，对角线上是各个属性的核密度图，而非对角线上是两个不同属性之间的相关图。

4 模型训练

根据如下常用算法模型，进行一一对比选择。

根据ShuffeSplit进行交叉验证数据分割，之后根据cross_validate分别计算出训练集正确率、测试集正确率、标准差。


根据训练集正确率对结果进行排序，可以看到SVC的效果最好。

对正确率进行可视化。

之后也可以利用VotingClassifier进一步根据多模型“投票”来获得结果，VotingClassifier分为软投票与硬投票，硬投票是指直接根据少数服从多数，软投票是指根据权重进行投票，需要用到predict_proda。根据结果，发现利用软投票效果也还不错，不过时间的代价也比较巨大。

5 源码

为了更好的观看效果，我将源码放在了Github上，如有帮助，希望点个星星支持一下，感谢。