Kaggle入门Titanic生存预测 v1.0.0

ゝ一世哀愁。 2022-05-11 02:36 192阅读 0赞

### 目录标题 ###

*   *  前言
     *  问题定义
     *  数据查看分析
     *  数据处理
     *  数据替换
     *  将数据导入模型中进行训练
     *  数据预处理
     *  模型训练
     *  测试集预测
     *  总结
     *  源码地址

## 前言 ##

一直在学机器学习的理论知识,但是没有实践,还是感觉心里不踏实,Kaggle的入门比赛Titanic号生存预测是一个*getting started competition*,很适合入门,掌握机器学习的各种常见**套路**.这里刚开始也是参考其他代码做的,得分是0.78947,不是很高,由此可见,虽然是入门级的比赛,想要拿到好的成绩也是要下一番功夫的.

## 问题定义 ##

生存预测,这是一个二分类问题,根据训练数据集上得到的模型(其实就是一组权重),去测试集上对其中的乘客,将其归类为活着(1)还是死亡(0).

## 数据查看分析 ##

利用Pandas进行数据分析,用seaborn和matplotlib进行数据可视化,这样我们第一步对数据就有一个直观的认识,可以为后续的特征工程做好准备

1.  **使用dataframe的info()方法查看csv文件各列的情况** ，相比于直接去查看csv文件的内容,pandas的这个方法可以更直观的对文件各个特征有一个宏观的认识,打印出训练数据集文件的特征如下:
    
        train.info()
    
    <class ‘pandas.core.frame.DataFrame’>  
    RangeIndex: 891 entries, 0 to 890  
    Data columns (total 12 columns):  
    PassengerId 891 non-null int64  
    Survived 891 non-null int64  
    Pclass 891 non-null int64  
    Name 891 non-null object  
    Sex 891 non-null object  
    Age 714 non-null float64  
    SibSp 891 non-null int64  
    Parch 891 non-null int64  
    Ticket 891 non-null object  
    Fare 891 non-null float64  
    Cabin 204 non-null object  
    Embarked 889 non-null object  
    dtypes: float64(2), int64(5), object(5)  
    memory usage: 83.6+ KB  
    由上可见,train.csv中共有891个乘客的信息,每个乘客有12个特征(属性),下面逐个对这些特征进行分析处理:
    
     *  PassengerId:用户id,每个乘客都有,对于最后的实际分析并没有帮助,后续要drop掉这一列.
     *  Survived:是否活下来,每个乘客都有,用以标记乘客是否最终存活.
     *  Pclass: 类似与头等舱,二等舱的这样一个概念
     *  Name: 乘客姓名,每个乘客都有,原先我以为Name没有什么用,可是有的针对这个进行了一下特征提取,抽取出来了Mr, Mrs, Miss, Master和Others5类,确实是有道理的,毕竟**身份越高贵的活下来的几率越大**
     *  Sex: 乘客性别,kaggle的示例提交文件中,认定所有女性乘客都活了下来,最后也有0.76555的准确率
     *  Age: 乘客年龄,注意只有714项,是存在缺失的,这里使用了对应类别均值填充的方法来补足.
     *  Sibsp:在船上的兄弟姐妹和配偶的数量
     *  Parch:在船上的父母和孩子的数量
     *  Ticket:票号
     *  Fare:船票的价格
     *  Cabin:乘客所在的船舱号,只有204项,缺失了很多
     *  Embarked:在那个地方上的船,注意缺了两项
2.  在知晓数据情况后,使用dataframe.describe()方法查看各类的数学统计情况.  
    ![在这里插入图片描述][70]

## 数据处理 ##

1.  针对"Name"特征的数据处理  
    使用seaborn的计数图,可视化Name和Survived之间的关系图: ![在这里插入图片描述][70 1]  
    可以看到Name的分布主要集中在"Mr", “Mrs”, "Miss"和"Master"这5类上,剩下的我们统一用"Others"来代替,可以写一个方法,再结合pandas的apply方法,对一列的数据进行直接应用.

# 对姓名的数据进行特征处理 def arrangename(name): if name == "Mr" or name == "Mrs" or name == "Miss" or name == "Master": return name else: return "Others" # pandas的apply方法对dataframe的某一列进行操作,不必使用低效的循环 train["Name"] = train["Name"].apply(arrangename) test["Name"] = test["Name"].apply(arrangename)

1.  针对Age的数据进行处理  
    之前数据分析的时候已经看到了,Age列存在很多的缺失数据,往往我们对于缺失数据使用平均值进行填充,但这里由于已经根据Name将人群划分成了5类,所以可以进一步细化,在每个具体类别中用其平均值进行填充,先对Name和Age进行可视化,查看条状图:  
    ![在这里插入图片描述][70 2]  
    下面对各个类别的缺失值进行平均值填充,对训练集和测试集都要进行同样的操作:

# pandas的loc方法的使用,填充缺失的Age值,数据预处理 # 这里采取的填充方式是平均值填充!这里的年龄填充不是所有人的年龄平均值,而是细化到对应类别后的一个平均值,这样更精细,效果更好 train.loc[(train["Name"]=="Mr")&(train["Age"].isnull()), "Age"] = train.loc[train["Name"]=="Mr","Age"].mean() train.loc[(train["Name"]=="Mrs")&(train["Age"].isnull()), "Age"] = train.loc[train["Name"]=="Mrs","Age"].mean() train.loc[(train["Name"]=="Miss")&(train["Age"].isnull()), "Age"] = train.loc[train["Name"]=="Miss","Age"].mean() train.loc[(train["Name"]=="Master")&(train["Age"].isnull()), "Age"] = train.loc[train["Name"]=="Master","Age"].mean() train.loc[(train["Name"]=="Others")&(train["Age"].isnull()), "Age"] = train["Age"].mean() # 对测试数据集做同样的处理 test.loc[(test["Name"]=="Mr")&(test["Age"].isnull()), "Age"] = train.loc[train["Name"]=="Mr","Age"].mean() test.loc[(test["Name"]=="Mrs")&(test["Age"].isnull()), "Age"] = train.loc[train["Name"]=="Mrs","Age"].mean() test.loc[(test["Name"]=="Miss")&(test["Age"].isnull()), "Age"] = train.loc[train["Name"]=="Miss","Age"].mean() test.loc[(test["Name"]=="Master")&(test["Age"].isnull()), "Age"] = train.loc[train["Name"]=="Master","Age"].mean() test.loc[(test["Name"]=="Others")&(test["Age"].isnull()), "Age"] = train["Age"].mean()

1.  针对Fare数据  
    注意:train中的Fare数据是没有缺失的,但是test中确实有缺失的,这里使用fillna方法直接将train中的Fare平均值填充到test的缺失项中.

# using the fillna method to replace the nan with specific value test['Fare'].fillna(train['Fare'].mean(), inplace=True)

1.  针对Cabin数据进行处理  
    查看都有那些船舱:  
    ![在这里插入图片描述][70 3]  
    可以看到,我们只需要提取首字母就行,代码如下:

# 当一个字符串使用了正则表达式后,最好在前面加上r # str.extract()，可用正则从字符数据中抽取匹配的数据，只返回第一个匹配的数据。 # 先查看数据是什么样子的,然后用正则表达式进行筛选,只需要知道船舱等级(A~Z)的值就够了, 不需要知道具体位置 train['Cabin'] = train['Cabin'].str.extract(r"([A-Z])") test['Cabin'] = test['Cabin'].str.extract(r"([A-Z])")

下面可视化"Cabin"与"Survived"之间的计数图:  
![在这里插入图片描述][70 4]  
由图可见,在以"B", “C”, “D”, "E"开头的船舱中乘客存活率较高,具体用0, 1数字表示,代码如下:

def cabin2int(cabin): if cabin == 'B' or cabin == 'C' or cabin == 'D' or cabin == 'E': return 1 else: return 0 train['Cabin'] = train['Cabin'].apply(cabin2int) test['Cabin'] = test['Cabin'].apply(cabin2int)

1.  针对"Embarked"进行处理  
    注意:Embarked是有缺失值的,但因为其不是数字型数据,不能使用平均值填充,这里使用出现最频繁的值进行填充  
    ![在这里插入图片描述][70 5]
2.  针对PassengerId进行的操作:  
    PassengerId没有实际意义,因此可以就地删除掉

# 原始数据中的passengerId没有什么用,删除掉 train.drop('PassengerId', axis=1, inplace=True)

## 数据替换 ##

1.  因为Name已经用"Mr", “Mrs”, “Miss”, "Master"和"Others"替换了,所以使用one-hot进行编码:

# 使用get_dummies可以进行one-hot编码,独热编码之后相当与将之前的name列换成了Mr, MISS, MRS, Master, Others5列 tmp = pd.get_dummies(train["Name"]) train.drop("Name", axis=1, inplace=True) train = pd.concat((train, tmp), axis=1) train.drop(['Others'], axis=1, inplace=True) tmp = pd.get_dummies(test['Name']) test.drop("Name", axis=1, inplace=True) test = pd.concat((test, tmp), axis=1) test.drop(['Others'], axis=1, inplace=True)

1.  针对sex的数据替换,用0表示男性,1表示女性:

# 针对Series用replace进行单值替换 train['Sex'].replace({ 'male':0, 'female':1}, inplace=True) test['Sex'].replace({ 'male':0, 'female':1}, inplace=True)

1.  针对Embarked进行数据替换  
    ![在这里插入图片描述][70 6]  
    因为可视化效果中S对应的Embarked值比较高,所以将"C"和"Q"看做一类,"S"看做另一类进行0,1替换:

train.replace({ "S":0, "C":1, "Q":1}, inplace=True) test.replace({ "S":0, "C":1, "Q":1}, inplace=True)

## 将数据导入模型中进行训练 ##

构造出训练数据集(X\_train, y\_train),构造测试集test

# 训练数据将数据和对应标签分开存放,掌握这个技巧 X_train = train.drop("Survived", axis=1) columns = X_train.columns y_train = train["Survived"] # 测试集 Id = test["PassengerId"] test = test.drop("PassengerId", axis=1)

## 数据预处理 ##

from sklearn.preprocessing import StandardScaler # StandardScaler的作用：去均值和方差归一化。且是针对每一个特征维度来做的，而不是针对样本。 std = StandardScaler() X_train = std.fit_transform(X_train) test = std.transform(test)

## 模型训练 ##

1.  进行数据切分，按照1:4的比例将训练数据集，切分为训练集和验证集

from sklearn.model_selection import train_test_split # 进行数据集切分, 验证集的数据量占五分之一 X_train, X_valid, y_train, y_valid = train_test_split(X_train, y_train, test_size=0.2, random_state=0)

1.  **定义一个统一的方法来进行模型的训练**

def modeling(params, estimator): """ 利用Python的语法特性,传过来的是分类器和对应的参数,这样一个函数就可以用来对多个模型进行测试了!!! GridSearchCV，它存在的意义就是自动调参，只要把参数输进去，就能给出最优化的结果和参数。但是这个方法 适合于小数据集 """ grid = GridSearchCV(estimator, params, scoring="accuracy", n_jobs=-1) grid.fit(X_train, y_train) clf = grid.best_estimator_ clf.fit(X_train, y_train) predict = clf.predict(X_valid) accuracy = accuracy_score(y_valid, predict) print("paramater:", grid.best_params_) print("accuracy:", accuracy) return accuracy, grid.best_estimator_

1.  选用合适的模型去训练  
    1 . 使用随机森林去训练

params = { "n_estimators": [5, 10, 20, 25], "max_depth": [3, 5, 7, 9, None], "max_features": ['auto', 'sqrt', 'log2', None] } rfc_accuracy, rfc_clf = modeling(params, RandomForestClassifier()) importance = pd.DataFrame({ "feature": columns, "importance": rfc_clf.feature_importances_}) importance.sort_values(by="importance", ascending=False)

2. 使用SVM分类器去训练

params = { "C": [0.5, 1.0, 1.5], "gamma": [0.01, 0.05, 0.1], "probability": [True] } svc_accuracy, svc_clf = modeling(params, SVC())

3. 使用逻辑回归

# 使用logistic regression params = { "C": [0.1, 1, 10], "max_iter": [50, 100, 200] } # 使用逻辑回归 lr_accuracy, lr_clf = modeling(params, LogisticRegression())

4. 使用knn分类器

# 使用knn分类器
    params = {
        "n_neighbors": [2, 3, 4, 5, 10, 15],
        "leaf_size": [20, 30, 50],
        "weights": ["uniform", "distance"],
        "algorithm": ["auto", "ball_tree", "kd_tree"]
    }
    # 传入的param是一个字典
    knc_accuracy, knc_clf = modeling(params, KNeighborsClassifier())

5. 使用高斯分布

# 使用高斯分布 params = { } gnb_accuracy, gnb_clf = modeling(params, GaussianNB())

6. 使用lsvc分类器

# 使用lsvc分类器 params = { "C": [0.005, 0.01, 0.5, 1.0]} lsvc_accuracy, lsvc_clf = modeling(params, LinearSVC())

1.  针对上述的模型进行实际效果测试，选出准确率最高的分类器

accuracy = pd.DataFrame( { "model":["RandomForestClassifer", "SVC", "LogisticRegression", "KNeighborsClassifier", "GaussianNB", "LinearSVC"], "accuracy": [rfc_accuracy, svc_accuracy, lr_accuracy, knc_accuracy, gnb_accuracy, lsvc_accuracy] }) # 对于多个模型的性能进行比较 # 掌握这种dataframe的排序方法 accuracy.sort_values(by="accuracy", ascending=False)

![在这里插入图片描述][70 7]

## 测试集预测 ##

从上面各个模型的效果来看，在验证集上，knn的效果最好，所以用knn在训练数据集上进行训练并在测试数据集上进行预测，得到knc\_submission.csv后，提交得到0.78947的分数．不过，我又用其他几个模型试了一些，发现SVC的效果更好，分数达到了0.79

# 因为KNeighboursClassifier的效果最好,使用这个模型来做 knc_clf.fit(X_train, y_train) submission_predictions = knc_clf.predict(test) submission = pd.DataFrame({ "PassengerId":Id, "Survived": submission_predictions}) # 使用to_csv方法直接写回到csv文件中!! # index=False是为了不保留行索引,默认index值为True,是保留行索引的,但是提交的数据不需要! submission.to_csv("knc_submission.csv", index=False)

## 总结 ##

这一系列分析做下来，虽然最终得分一般，但还是学到了一些**套路**的，现总结如下：

1.  pandas不愧是数据分析神器，要好好的加以利用，善用info(), describe(), values\_count()等方法来对数据有一个宏观的认识．
2.  对于缺失的数据，要进行数据填充，如平均值填充, 最大值填充，最好是用细化到最小单位的类别去填充，这样效果更好．
3.  seaborn, matplotlib等可视化工具对于刻画特征列与目标列（如这里的＂survived"）之间的关系很有帮助，可以直观的进行分析，从而对数据进行归类
4.  掌握其中使用多个模型的预测方法

## 源码地址 ##

源码和提交csv文件已放到github上，[点此访问][Link 1]

[70]: /images/20220511/8d471f234cf54b13b05a00b5be4824bb.png
[70 1]: /images/20220511/0870f97e18114de8b14258e83c0afdcf.png
[70 2]: /images/20220511/d8fc070aeb604819b3230574265909a9.png
[70 3]: /images/20220511/08cdc68308134c0f9a6316548d9296e6.png
[70 4]: /images/20220511/3305b642bbf44190a9cd8e8e2db5bdf4.png
[70 5]: /images/20220511/5996cb33cee34da4bc1e5ee1b4182e56.png
[70 6]: /images/20220511/e1b863644395495c974a305a7e242d60.png
[70 7]: /images/20220511/640034d4dc654b70beabbe0e4673cc0b.png
[Link 1]: https://github.com/Michael-Hsu/Competition