Kaggle之泰坦尼克号幸存预测估计

　　上次已经讲了怎么下载数据，这次就不说废话了，直接开始。首先导入相应的模块，然后检视一下数据情况。对数据有一个大致的了解之后，开始进行下一步操作。

一、分析数据

　1、Survived 的情况

train_data['Survived'].value_counts()

　2、Pclass 和 Survived 之间的关系

train_data.groupby('Pclass')['Survived'].mean()

　3、Embarked 和 Survived 之间的关系

train_data.groupby('Embarked')['Survived'].value_counts()

sns.countplot('Embarked',hue='Survived',data=train_data)

二、特征处理

　　先将 label 提取出来，然后将 train 和 test 合并起来一起处理。

y_train = train_data.pop('Survived').astype(str).values

data = pd.concat((train_data, test_data), axis=0)

　1、对 numerical 数据进行处理

　　（1）SibSp/Parch （兄弟姐妹配偶数 / 父母孩子数）

　　由于这两个属性都和 Survived 没有很大的影响，将这两个属性的值相加，表示为家属个数。

data['FamilyNum'] = data['SibSp'] + data['Parch']

　　（2）Fare （费用）

　　它有一个缺失值，需要将其补充。(这里是参考别人的，大神总能发现一些潜在的信息：票价和 Pclass 和 Embarked 有关) 因此，先看一下他们之间的关系以及缺失值的情况。

train_data.groupby(by=["Pclass","Embarked"]).Fare.mean()

　　缺失值 Pclass = 3， Embarked = S，因此我们将其置为14.644083.

data["Fare"].fillna(14.644083,inplace=True)

　　还有 Age 的缺失值也需要处理，我是直接将其设置为平均值。

　2、对 categorical 数据进行处理

　　（1）对 Cabin 进行处理

　　Cabin虽然有很多空值，但他的值的开头都是字母，按我自己的理解应该是对应船舱的位置，所以取首字母。考虑到船舱位置对救生是有一定影响的，虽然有很多缺失值，但还是把它保留下来，而且由于 T 开头的只有一条数据，因此将它设置成数量较小的 G。

data['Cabin'] = data['Cabin'].str[0]

data['Cabin'][data['Cabin']=='T'] = 'G'

　　（2）对 Ticket 进行处理

　　将 Ticket 的头部取出来当成新列。

data['Ticket_Letter'] = data['Ticket'].str.split().str[0]

data['Ticket_Letter'] = data['Ticket_Letter'].apply(lambda x:np.nan if x.isnumeric() else x)

data.drop('Ticket',inplace=True,axis=1)

　　（3）对 Name 进行处理

　　名字这个东西，虽然它里面的称呼可能包含了一些身份信息，但我还是打算把这一列给删掉...

data.drop('Name',inplace=True,axis=1)

　　（4）统一将 categorical 数据进行 One-Hot

　　One-Hot 大致的意思在之前的文章讲过了，这里也不再赘述。

data['Pclass'] = data['Pclass'].astype(str)

data['FamilyNum'] = data['FamilyNum'].astype(str)

dummied_data = pd.get_dummies(data)

　　（5）数据处理完毕，将训练集和测试集分开

X_train = dummied_data.loc[train_data.index].values

X_test = dummied_data.loc[test_data.index].values

三、构建模型

　　这里用到了 sklearn.model_selection 的 GridSearchCV，我主要用它来调参以及评定 score。

　1、XGBoost

xgbc = XGBClassifier()

params = {'n_estimators': [100,110,120,130,140],

          'max_depth':[5,6,7,8,9]}

clf = GridSearchCV(xgbc, params, cv=5, n_jobs=-1)

clf.fit(X_train, y_train)

print(clf.best_params_)

print(clf.best_score_)

　　{'max_depth': 6, 'n_estimators': 130}

　　0.835016835016835

　2、Random Forest

rf = RandomForestClassifier()

params = {

    'n_estimators': [100,110,120,130,140,150],

    'max_depth': [5,6,7,8,9,10],

}

clf = GridSearchCV(rf, params, cv=5, n_jobs=-1)

clf.fit(X_train, y_train)

print(clf.best_params_)

print(clf.best_score_)

　　{'max_depth': 8, 'n_estimators': 110}

　　0.8294051627384961

四、模型融合

from sklearn.ensemble import VotingClassifier

xgbc = XGBClassifier(n_estimators=130, max_depth=6)

rf = RandomForestClassifier(n_estimators=110, max_depth=8)

vc = VotingClassifier(estimators=[('rf', rf),('xgb',xgbc)], voting='hard')

vc.fit(X_train, y_train)

　　准备就绪，预测并保存模型与结果

y_test = vc.predict(X_test)

# 保存模型

from sklearn.externals import joblib

joblib.dump(vc, 'vc.pkl')

submit = pd.DataFrame(data= {'PassengerId' : test_data.index, 'Survived': y_test})

submit.to_csv('./input/submit.csv', index=False)

　　最后提交即可，提交的方式也在上一篇提到过了。Over~ 项目地址：Titanic