美文网首页我爱编程
kaggle 泰坦尼克号数据分析

kaggle 泰坦尼克号数据分析

作者: a十二_4765 | 来源:发表于2018-03-15 22:53 被阅读709次

#泰坦尼克号 

https://www.kaggle.com/ 数据来源

import pandas#读取数据

titanic = pandas.read_csv("D:/panana/taitan/titanic_train.csv")#查看数据前五行

#print(titanic.head())#进行统计#

print (titanic.describe())

#对缺失值进行填写 把缺失的值按照平均值填充 fillna 缺失值填充

 titanic["Age"].median 

求出age的均值

titanic["Age"] = titanic["Age"].fillna(titanic["Age"].median())

#print(titanic.describe())

#数据预处理 把不能处理的值改成可以处理的 把字母改成数字
#先查看 字段 Sex 下有哪几种可能

#print(titanic["Sex"].unique())

#因为性别是str类型 所以要转换成int male 转换成0 female 转换成1

#loc 进行定位 把字段Sex ==male 改成 Sex==0titanic.loc[titanic["Sex"]=="male","Sex"] =0titanic.loc[titanic["Sex"]=="female","Sex"] =1

#上船地点 把str类型处理成int#查看Embarked 上船地点有哪几种类型:print(titanic["Embarked"].unique())

#得出“S”,"C","Q",nan

#因Embarked 有缺失值 所以需要补全缺失值 把所有的缺失值补成Stitanic["Embarked"] = titanic["Embarked"].fillna('S')

#把数据进行转换 S,C,Q 转换成0,1,2

titanic.loc[titanic["Embarked"]=="S","Embarked"] =0

titanic.loc[titanic["Embarked"]=="C","Embarked"] =1

titanic.loc[titanic["Embarked"]=="Q","Embarked"] =2

#导入机器学习裤子 LinearRegression 线性回归算法

from sklearn.linear_modelimport LinearRegression

#引入交叉验证

from sklearn.cross_validationimport KFold

#选择要搞的特征

predictors = ["Pclass","Sex","Age","SibSp","Parch","Fare","Embarked"]

#导入线性回归alg = LinearRegression()

#进行交叉验证的选择 n_folds =3 表示选择3倍的交叉验证 titanic.shape[0]表示m个样本#含义就是 把m个样本平均分成三份进行交叉验证

kf = KFold(titanic.shape[0],n_folds=3,random_state=1)

predictions =[]

for train, test in kf:

    #取到原始数据   train 代表训练数据 先把训练数据提取出来

    train_predictors = (titanic[predictors].iloc[train,:])

    train_target = titanic["Survived"].iloc[train]

    #.fit 表示把选择的算法应用在当前的数据上

    alg.fit(train_predictors, train_target)

    #训练完后查看模型的好坏程度  alg.predict() 对测试集数据进行预测

    test_predictions = alg.predict(titanic[predictors].iloc[test,:])

    #把测试结果导入到predictors里面

    predictions.append(test_predictions)

import numpy as np

predictions = np.concatenate(predictions,axis=0)

#类别归属 当大于0.5 存放到1  小于0.5存放到0

predictions[predictions > .5] =1

predictions[predictions <= .5]=0

#查看模型准确率

accuracy = sum(predictions[predictions == titanic["Survived"]]) /len(predictions)

print(accuracy)

最终准确率只有百分之20 --换种方法

0.2615039281705948

from sklearn import cross_validation

#LogisticRegression 逻辑回归

from sklearn.linear_model import LogisticRegression

alg = LogisticRegression(random_state = 1)

scores = cross_validation.cross_val_score(alg,titanic[predictors],titanic["Survived"],cv = 3 )

print(scores.mean())

最终准确率

0.7878787878787877

使用集成算法 随机森林

#使用随机森林进行预测 防止过拟合

from sklearn import cross_validation

#调用随机森林的包

from sklearn.ensemble import RandomForestClassifier

predictors = ["Pclass","Sex","Age","SibSp","Parch","Fare","Embarked"]

#指定随机森林的参数 n_estimators设置决策树的个数  min_samples_split最小的样本个数  min_samples_leaf 最小叶子节点的个数

alg = RandomForestClassifier(random_state=1,n_estimators=10,min_samples_split=2,min_samples_leaf=1)

#进行三次交叉验证

kf =cross_validation.KFold(titanic.shape[0],n_folds=3,random_state=1)

scores = cross_validation.cross_val_score(alg,titanic[predictors],titanic["Survived"],cv=kf)

print(scores.mean())

最终准确率

0.7856341189674523

#对参数进行修改

#更改参数像后在进行查看 把决策树个数改成50 最小样本个数提升到4 最小叶子节点提升到2

alg = RandomForestClassifier(random_state=1,n_estimators=50,min_samples_split=4,min_samples_leaf=2)

kf =cross_validation.KFold(titanic.shape[0],n_folds=3,random_state=1)

scores = cross_validation.cross_val_score(alg,titanic[predictors],titanic["Survived"],cv=kf)

print(scores.mean())

最终准确率

0.8159371492704826

未完--

相关文章

网友评论

    本文标题:kaggle 泰坦尼克号数据分析

    本文链接:https://www.haomeiwen.com/subject/czmkqftx.html