【机器学习】SKlearn + XGBoost 预测 Titanic 乘客幸存

Titanic 数据集是从 kaggle下载的，下载地址：https://www.kaggle.com/c/titanic/data

数据一共又3个文件，分别是：train.csv,test.csv,gender_submission.csv

先把需要视同的库导入：

import os
import datetime
import operator
import numpy as np
import pandas as pd
import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import Imputer, scale
import matplotlib.pyplot as plt

　np.random.seed(19260817) # 设置一下种子，看一下博客园有没有能看懂的

不管是做机器学习，还是深度学习，还是其他的先确定是 分类问题还是回归问题，当然这两个可以互相转换的，然后拿到数据第一步肯定是先观察数据，数据是否又缺失，乱码等。

这个看一下就知道是否存活，存活是1，否则 0 ，那么就是分类 ！

1，观察下数据

先观察一下数据，使用pandas读取数据：

DataFrame.head(n=5)：head 方法默认取5行数据，你可以自己随便传参数，我只去10行观察下看下

    pd_train = pd.read_csv('./data/titanic/train.csv')
    pd_test = pd.read_csv('./data/titanic/test.csv')
    pd_gender = pd.read_csv('./data/titanic/gender_submission.csv')
    print(pd_train.shape, pd_test.shape)
    print(pd_train.head(10))

根据观察可以看到，数据有数值类型，也有字符类型，数值类型我们称作连续变量，字符类型我们称作分类变量，连续变量是不用转换的，而分类变量是需要转成连续变量的，否则，无法运算。
还可以看到有些数据是缺失的，这部分缺失值我们也需要处理，填充或者删除

2，特征工程

　　根据第一步观察到的结果，我们对数据做处理。

　　1）将性别 Sex 列，做数值转换处理，代码如下：

    # 性别 将性别字段Sex中的值 female用0，male用1代替,类型 int
    pd_train['Sex'] = pd_train['Sex'].map({'female': 0, 'male': 1}).astype(int)
    pd_test['Sex'] = pd_test['Sex'].map({'female': 0, 'male': 1}).astype(int)

　　2） 将分类变量转换位连续变量。我们使用 sklearn 库下面的 LabelEncoder() 来处理

    # 将类型变量转换位连续变量
    for f in pd_train.columns:
        if pd_train[f].dtype == 'object':
            label = LabelEncoder()
            label.fit(list(pd_train[f].values))
            pd_train[f] = label.transform(list(pd_train[f].values))

    for f in pd_test.columns:
        if pd_test[f].dtype == 'object':
            label = LabelEncoder()
            label.fit(list(pd_test[f].values))
            pd_test[f] = label.transform(list(pd_test[f].values))

　　3）统计缺失的列那些，观察缺失值有多少，再决定是删除，还是填充，如果某列值的缺失严重，那就没必要填充了，直接删除。

　　     我们采用填充的方式，使用 Imputer类来处理缺失值，这个类提供了估算缺失值的基本策略，使用缺失值所在的行/列中的平均值、中位数或者众数来填充。这个类也支持不同的缺失值编码。

   # 统计缺失的列
    na_train = pd_train.isnull().sum().sort_values(ascending=False)
    print(na_train)

    # 使用均值填充缺失值
    train_data= pd_train.values
    imput = Imputer(missing_values="NaN", strategy="mean", axis=0)
    imput = imput.fit(train_data)
    train_data = imput.fit_transform(train_data)

    # 使用均值填充缺失值
    test_data= pd_test.values
    imput = Imputer(missing_values="NaN", strategy="mean", axis=0)
    imput = imput.fit(test_data)
    test_data = imput.fit_transform(test_data)

　　

3，训练

　　经过对特征的处理，我们可以训练模型可，我使用了三个模型分别是，LogisticRegression，RandomForest，XGBClassifier

　　监督学习的模型都一样，必须拟合（fit）两个矩阵（数组）， 训练样本的矩阵 X，大小为 [n_samples, n_features]，和 训练样本目标值（标签）的数组 Y，大小为 [n_samples]:

　　1）LogisticRegression ：逻辑回归，虽然名字叫回归，但是个分类模型

def train_logreistic():
    """
    逻辑回归
    """
    X_train, X_test, y_train, y_test = load_data()

    model = LogisticRegression(penalty='l2')
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    rfc_rate, rmse = calc_accuracy(y_pred, y_test)
    total = total_survival(y_pred)

    print("LogisticRegression acc_rate：{0:.4f},RMS:{1:.4f},存活：{2}".format( rfc_rate, rmse, total))
    return rfc_rate, rmse, total

　　2）RandomForest：随机森林，基于树的模型，通过在分类器构造过程中引入随机性来创建一组不同的分类器。

def train_randomForster():

    X_train, X_test, y_train, y_test = load_data()
    model = RandomForestClassifier(n_estimators=300,max_depth=12,random_state=7)
    model.fit(X_train,y_train)
    y_pred = model.predict(X_test)
    rfc_rate, rmse = calc_accuracy(y_pred, y_test)
    total = total_survival(y_pred)
    print("RandomForestClassifier acc_rate：{0:.4f},RMS:{1:.4f},存活：{2}".format(rfc_rate, rmse, total))
    return rfc_rate, rmse, total

　　3）XGBClassifier ：大规模并行boosted tree的工具,它是目前最快最好的开源boosted tree工具包,比常见的工具包快10倍以上，kaggle 比赛的神器

def train_XGBoost():

    X_train, X_test, y_train, y_test = load_data()
    model = xgb.XGBClassifier(max_delta_step=6, learning_rate=0.1, n_estimators=100, objective="binary:logistic",silent=True)
    eval_data = [(X_test, y_test)]
    model.fit(X_train, y_train, eval_set=eval_data, early_stopping_rounds=30)
    y_pred = model.predict(X_test)
    rfc_rate, rmse = calc_accuracy(y_pred, y_test)
    total = total_survival(y_pred)

    print("XGBClassifier acc_rate：{0:.4f},RMS:{1:.4f},存活：{2}".format(rfc_rate, rmse, total))
    return rfc_rate, rmse, total

4，预测

　　model.predict(X_test) 都在里面写了，我就不说了。

　　三个模型最后的结果：

　　

def train():

    lg_rate, lg_rmse, lg_total = train_logreistic()
    rf_rate, rf_rmse, rf_total = train_randomForster()
    xg_rate, xg_rmse, xg_total = train_XGBoost()

    print("LogisticRegression acc_rate：{0:.4f},RMS:{1:.4f},存活：{2}".format( lg_rate, lg_rmse, lg_total))
    print("RandomForestClassifier acc_rate：{0:.4f},RMS:{1:.4f},存活：{2}".format(rf_rate, rf_rmse, rf_total))
    print("XGBClassifier acc_rate：{0:.4f},RMS:{1:.4f},存活：{2}".format(xg_rate, xg_rmse, xg_total))

XGBClassifier acc_rate：80.4469,RMS:0.4422,存活：56
LogisticRegression acc_rate：74.8603,RMS:0.5014,存活：60
RandomForestClassifier acc_rate：82.6816,RMS:0.4162,存活：54
XGBClassifier acc_rate：80.4469,RMS:0.4422,存活：56

好了，至于怎么调参，网格搜索我就不写了，简单的分析就完成了。。

参考：

1) http://xgboost.readthedocs.io/en/latest/

2) http://scikit-learn.org/stable/

3) https://www.kaggle.com/

源码地址：https://github.com/jarvisqi/machine_learning/blob/master/ml_xgboost/titanic.py