Kaggle泰坦尼克生存预测之随机森林学习

这篇文章讲述的是Kaggle上一个赛题的解决方案——Titanic幸存预测.问题背景是我们大家都熟悉的【Jack and Rose】的故事，豪华游艇与冰山相撞，大家惊慌而逃，可是救生艇的数量有限，无法人人都有。赛题官方提供训练数据和测试数据两份数据，训练数据主要是一些乘客的个人信息以及存活状况，测试数据也是乘客的个人信息但是没有存活状况的显示。所以本文的主要目的就是，根据训练数据生成合适的模型并预测测试数据中乘客的生存状况。

阅读路线：

• 预览数据
• 数据初分析
• 弥补缺失值
• 建立模型并预测
• 随机森林算法的理解

预览数据

先看看我们的数据长什么样子，赛题官方给我们提供了两份数据train.csv,test.csv为了方便我们先把所需要的R库给加载了,其中一些R库大家平常没有用到的话，要记得下载。

library(readr) # File read / write
library(ggplot2) # Data visualization
library(ggthemes) # Data visualization
library(scales) # Data visualization
library(plyr)# Data manipulation
library(stringr) # String manipulation
library(InformationValue) # IV / WOE calculation
library(MLmetrics) # Mache learning metrics.e.g. Recall, Precision,Accuracy, AUC
library(rpart) # Decision tree utils
library(randomForest) # Random Forest
library(dplyr) # Data manipulation
library(e1071) # SVM
library(Amelia) # Missing value utils
library(party) # Conditional inference trees
library(gbm) # AdaBoost
library(class) # KNN.

读取数据

#通过getwd()函数查看当下工作路劲，把文件放到当下工作路径中
train <-read_csv("train.csv")
test <-read_csv("test.csv")
data<- bind_rows(train, test)  #组合
train.row<- 1:nrow(train)
test.row<- (1 + nrow(train)):(nrow(train) + nrow(test))

注意：

1. 这里是把训练数据和测试数据合并了，原因是之后的操作过程中要对数据的格式做转换，还会对分类变量增加新的level(比如：分类变量性别，我们的操作就是，原有的基础之上，增加一个字段 为男的列和一个字段为女的列)为了避免重复操作和出错，所以就干脆一起操作了。
2. bind_rows()用法：
   When row-binding, columns are matched by name, and any missing columns with be filled with NA,简单的来说就是按照列来组合两份数据，少列的自动填充为NA值(大家查资料的时候，能用谷歌就用谷歌吧，并在英文状态下搜索)

观察数据

> str(data)     
Classes ‘tbl_df’, ‘tbl’ and 'data.frame':   1309 obs. of  12 variables:
 $ PassengerId: int  1 2 3 4 5 6 7 8 9 10 ...
 $ Survived   : int  0 1 1 1 0 0 0 0 1 1 ...
 $ Pclass     : int  3 1 3 1 3 3 1 3 3 2 ...
 $ Name       : chr  "Braund, Mr. Owen Harris" "Cumings, Mrs. John Bradley (Florence Briggs Thayer)" "Heikkinen, Miss. Laina" "Futrelle, Mrs. Jacques Heath (Lily May Peel)" ...
 $ Sex        : chr  "male" "female" "female" "female" ...
 $ Age        : num  22 38 26 35 35 NA 54 2 27 14 ...
 $ SibSp      : int  1 1 0 1 0 0 0 3 0 1 ...
 $ Parch      : int  0 0 0 0 0 0 0 1 2 0 ...
 $ Ticket     : chr  "A/5 21171" "PC 17599" "STON/O2. 3101282" "113803" ...
 $ Fare       : num  7.25 71.28 7.92 53.1 8.05 ...
 $ Cabin      : chr  NA "C85" NA "C123" ...
 $ Embarked   : chr  "S" "C" "S" "S" ...
> 


> str(test)
Classes ‘tbl_df’, ‘tbl’ and 'data.frame':   418 obs. of  11 variables:
 $ PassengerId: int  892 893 894 895 896 897 898 899 900 901 ...


> str(train)
Classes ‘tbl_df’, ‘tbl’ and 'data.frame':   891 obs. of  12 variables:
 $ PassengerId: int  1 2 3 4 5 6 7 8 9 10 ...

由结果可见，数据集包含12个变量，1309条数据，其中891条为训练数据，418条为测试数据。

• PassengerId 整型变量，标识乘客的ID，递增变量，对预测无帮助
• Survived 整型变量，标识该乘客是否幸存。0表示遇难，1表示幸存。将其转换为factor变量比较方便处理
• Pclass 整型变量，标识乘客的社会-经济状态，1代表Upper，2代表Middle，3代表Lower
• Name 字符型变量，除包含姓和名以外，还包含Mr.
  Mrs. Dr.这样的具有西方文化特点的信息
• Sex 字符型变量，标识乘客性别，适合转换为factor类型变量
• Age 整型变量，标识乘客年龄，有缺失值
• SibSp 整型变量，代表兄弟姐妹及配偶的个数。其中Sib代表Sibling也即兄弟姐妹，Sp代表Spouse也即配偶
• Parch 整型变量，代表父母或子女的个数。其中Par代表Parent也即父母，Ch代表Child也即子女
• Ticket 字符型变量，代表乘客的船票号 Fare 数值型，代表乘客的船票价
• Cabin 字符型，代表乘客所在的舱位，有缺失值
• Embarked 字符型，代表乘客登船口岸，适合转换为factor型变量

数据初分析

我们这一步的主要目的看看除了PassengerId 整型变量以外，其他10个变量和乘客的幸存率之间是什么关系。让我们先看一下训练集中的乘客幸存率是如何的。

> table(train$Survived)
  0   1 
549 342 
> prop.table((table(train$Survived))) #prop.table()是计算表中值的百分比，这里就是我们的得到的列联表
      0         1 
0.6161616 0.3838384 

这里大家不要忘了数值1代表幸存，数值0代表的是遇难。所以从上面我们就能轻松看到乘客幸存率约为38%（342/891），也就是说约62%(549/891)的乘客丧命。那赛题官方给我们的测试集(test.csv)中人员的生存情况又是如何的呢？其实，这就需要我们建立数学模型来预测了，但是在之前，我们要找到数据集中的哪些变量对幸存这个事件是有影响的呢？来吧，我们接着往下看。
注意：table()函数对应统计学中列联表，用于记录频数(学习链接)

• 乘客社会等级与幸存率的影响

记得小时候看古装片，比如说一个太尉带着一帮人出去游玩，遭到了埋伏，这时就有贴身侍卫说保护太尉、带太尉先走，我来掩护。那么外国的权贵们会不会也受到同等的待遇呢？

data$Survived <- factor(data$Survived) #变成因子型变量
ggplot(data = data[1:nrow(train),], mapping = aes(x = Pclass, y = ..count.., fill=Survived)) + 
 geom_bar(stat = "count", position='dodge') + 
 xlab('Pclass') + 
 ylab('Count') + 
 ggtitle('How Pclass impact survivor') + 
 scale_fill_manual(values=c("#FF0000", "#00FF00")) +
 geom_text(stat = "count", aes(label = ..count..), position=position_dodge(width=1), , vjust=-0.5) + 
 theme(plot.title = element_text(hjust = 0.5), legend.position="bottom")

由图我们能够清晰的看出，Pclass=1的乘客大部分幸存，Pclass=2的乘客接近一半幸存，而Pclass=3的乘客只有不到25%幸存，所以可以认为乘客社会等级越高，幸存率是越高的。

其实当我们要用模型方法(逻辑回归、随机森林、决策树等)构建数学模型时，经常会剔除掉一些变量，比如有100个变量，可能会取其中的几十个。那你可能要问筛选的原则是什么呢？其实最主要和最直接的衡量标准是就是变量的预测能力，可以简单理解成这个变量能够预测一个结果发生的可信度。而衡量变量的预测能力的主要的指标是IV(Information Value)信息价值，但是在计算IV之前，要先计算出WOE，因为IV的计算是以WOE为基础的(WOE的全程为Weight Of Evidence,即是证据权重)，暂时先知道这些名词的意思吧，写主智商着急，不会证明啊。

> WOETable(X=factor(data$Pclass[1:nrow(train)]), Y=data$Survived[1:nrow(train)])
  CAT GOODS BADS TOTAL     PCT_G     PCT_B        WOE         IV
1   1   136   80   216 0.3976608 0.1457195  1.0039160 0.25292792
2   2    87   97   184 0.2543860 0.1766849  0.3644848 0.02832087
3   3   119  372   491 0.3479532 0.6775956 -0.6664827 0.21970095
> IV(X=factor(data$Pclass[1:nrow(train)]), Y=data$Survived[1:nrow(train)])
[1] 0.5009497
attr(,"howgood")
[1] "Highly Predictive"

从结果可以看出，Pclass的IV为0.5，且“Highly Predictive”。由此可以暂时将Pclass作为预测模型的特征变量之一。

• 性别对于幸存率的影响

如果大家看过这部电影的话，应该对当时副船长说的【lady and kid first！】有印象，这么说是不是女性的幸存率要比男性高呢？让我们先来看看。

data$Sex<- as.factor(data$Sex)
ggplot(data
= data[1:nrow(train),], mapping = aes(x = Sex, y = ..count.., fill=Survived)) +
geom_bar(stat = 'count', position='dodge') + 
xlab('Sex') + 
ylab('Count') + 
ggtitle('How Sex impact survivo') + 
geom_text(stat = "count", aes(label
= ..count..), position=position_dodge(width=1), , vjust=-0.5) + 
theme(plot.title = element_text(hjust = 0.5),
legend.position="bottom")

从图上可以清楚的看到，女性中的70%多得以幸存，而男性中只有20%多得以幸存，真是验证我们的猜想，女士优先啊。

> WOETable(X=data$Sex[1:nrow(train)], Y=data$Survived[1:nrow(train)])
     CAT GOODS BADS TOTAL     PCT_G    PCT_B        WOE        IV
1 female   233   81   314 0.6812865 0.147541  1.5298770 0.8165651
2   male   109  468   577 0.3187135 0.852459 -0.9838327 0.5251163
> IV(X=data$Sex[1:nrow(train)], Y=data$Survived[1:nrow(train)])
[1] 1.341681
attr(,"howgood")
[1] "Highly Predictive"

Sex的IV为1.34且”Highly Predictive”，也可暂将Sex作为特征变量。

• 年龄对于幸存率的影响

刚刚讨论了女性的生存率要高于男性，那同是弱势群体的孩子，会不会也是这样。由于age是连续的，不是分类变量是就画成如下图所示。

> ggplot(data = data[(!is.na(data$Age)) & row(data[, 'Age']) <= 891, ], aes(x = Age, color=Survived)) + 
+     geom_line(aes(label=..count..), stat = 'bin', binwidth=5)  + 
+     labs(title = "How Age impact survivor", x = "Age", y = "Count", fill = "Survived")
Warning: Ignoring unknown aesthetics: label

上图所示，Age < 18的乘客中，幸存人数确实高于遇难人数。同时青壮年乘客中，遇难人数远高于幸存人数。对于Age这个变量没有算出IV值，我想应该是对它的计算没有理解的缘故，我猜想是分类变量才能算出，那现在就姑且把Age也当作是特征变量吧。

• 不同Title的乘客幸存率不同

我们知道乘客姓名重复度太低，拿过来分析也没有太多意义。但是姓名中包含Mr. Mrs. Dr.等具有文化特征的信息，这些称谓既可以体现出性别又可以体现出年龄还有等级，这应该是一个很好的特征变量，现在可将之抽取出来。

data$Title <- sapply(data$Name, FUN=function(x) {strsplit(x, split='[,.]')[[1]][2]})
data$Title <- sub(' ', '', data$Title)
data$Title[data$Title %in% c('Mme', 'Mlle')] <- 'Mlle'
data$Title[data$Title %in% c('Capt', 'Don', 'Major', 'Sir')] <- 'Sir'
data$Title[data$Title %in% c('Dona', 'Lady', 'the Countess', 'Jonkheer')] <- 'Lady'
data$Title <- factor(data$Title)

抽取完乘客的Title后，统计出不同Title的乘客的幸存与遇难人数，画图：

ggplot(data = data[1:nrow(train),], mapping = aes(x = Title, y = ..count.., fill=Survived)) + 
 geom_bar(stat = "count", position='stack') + 
 xlab('Title') + 
 ylab('Count') + 
 ggtitle('How Title impact survivor') + 
 scale_fill_discrete(name="Survived", breaks=c(0, 1), labels=c("Perish", "Survived")) + 
 geom_text(stat = "count", aes(label = ..count..), position=position_stack(vjust = 0.5)) +
 theme(plot.title = element_text(hjust = 0.5), legend.position="bottom")

从图中看书Title为男性称谓Mr的乘客幸存比例非常小，而Title为女性称谓Mrs和Miss的乘客幸存比例非常大

> WOETable(X=data$Title[1:nrow(train)], Y=data$Survived[1:nrow(train)])
      CAT GOODS BADS TOTAL       PCT_G       PCT_B         WOE           IV
1     Col     1    1     2 0.002873563 0.001808318  0.46315552 4.933741e-04
2      Dr     3    4     7 0.008620690 0.007233273  0.17547345 2.434548e-04
3    Lady     2    1     3 0.005747126 0.001808318  1.15630270 4.554455e-03
4  Master    23   17    40 0.066091954 0.030741410  0.76543639 2.705859e-02
5    Miss   127   55   182 0.364942529 0.099457505  1.30000942 3.451330e-01
6    Mlle     3    3     3 0.008620690 0.005424955  0.46315552 1.480122e-03
7      Mr    81  436   517 0.232758621 0.788426763 -1.22003757 6.779360e-01
8     Mrs    99   26   125 0.284482759 0.047016275  1.80017883 4.274821e-01
9      Ms     1    1     1 0.002873563 0.001808318  0.46315552 4.933741e-04
10    Rev     6    6     6 0.017241379 0.010849910  0.46315552 2.960244e-03
11    Sir     2    3     5 0.005747126 0.005424955  0.05769041 1.858622e-05
> IV(X=data$Title[1:nrow(train)], Y=data$Survived[1:nrow(train)])
[1] 1.487853
attr(,"howgood")
[1] "Highly Predictive"

从计算结果可见，IV为1.520702，且”Highly Predictive”。因此，可暂将Title作为预测模型中的一个特征变量

• 乘客票号对生存率的影响

对于Ticket变量，重复度非常低，无法直接利用。先统计出每张票对应的乘客数

ticket.count <- aggregate(data$Ticket, by =list(data$Ticket), function(x) sum(!is.na(x)))

这里有个猜想，票号相同的乘客，是一家人，很可能同时幸存或者同时遇难。现将所有乘客按照Ticket分为两组，一组是使用单独票号，另一组是与他人共享票号，并统计出各组的幸存与遇难人数。

data$TicketCount <-
apply(data, 1, function(x) ticket.count[which(ticket.count[, 1] == x['Ticket']), 2])
data$TicketCount <-
factor(sapply(data$TicketCount, function(x) ifelse(x > 1, 'Share', 'Unique')))
ggplot(data = data[1:nrow(train),], mapping =
aes(x = TicketCount, y = ..count.., fill=Survived)) + 
geom_bar(stat = 'count', position='dodge') + 
xlab('TicketCount') + 
ylab('Count') + 
ggtitle('How TicketCount impact survivor') + 
geom_text(stat = "count",
aes(label = ..count..), position=position_dodge(width=1), , vjust=-0.5) + 
theme(plot.title = element_text(hjust = 0.5), legend.position="bottom")

由上图可见，未与他人同票号的乘客，只有27%左右幸存，而与他人同票号的乘客有51.%左右幸存。

> WOETable(X=data$TicketCount[1:nrow(train)], Y=data$Survived[1:nrow(train)])
     CAT GOODS BADS TOTAL    PCT_G     PCT_B        WOE        IV
1  Share   212  198   410 0.619883 0.3606557  0.5416069 0.1403993
2 Unique   130  351   481 0.380117 0.6393443 -0.5199641 0.1347889
> IV(X=data$TicketCount[1:nrow(train)], Y=data$Survived[1:nrow(train)])
[1] 0.2751882
attr(,"howgood")
[1] "Highly Predictive"

其IV为0.2751882，且”Highly Predictive”

• 支出船票费对幸存率的影响

我们知道社会等级高的人幸存率比较高，那么支出船票费高的人可能就是社会等级高的人，那他们的幸存率会不会也比较高呢？

> ggplot(data = data[(!is.na(data$Fare)) & row(data[, 'Fare']) <= 891, ], aes(x = Fare, color=Survived)) + 
+     geom_line(aes(label=..count..), stat = 'bin', binwidth=10)  + 
+     labs(title = "How Fare impact survivor", x = "Fare", y = "Count", fill = "Survived")
Warning: Ignoring unknown aesthetics: label

由图可知Fare越大，幸存率越高。

• 配偶及兄弟姐妹数的个数对幸存率的影响

ggplot(data = data[1:nrow(train),], mapping = aes(x = SibSp, y = ..count.., fill=Survived)) + 
 geom_bar(stat = 'count', position='dodge') + 
 labs(title = "How SibSp impact survivor", x = "Sibsp", y = "Count", fill = "Survived") + 
 geom_text(stat = "count", aes(label = ..count..), position=position_dodge(width=1), , vjust=-0.5) + 
 theme(plot.title = element_text(hjust = 0.5), legend.position="bottom")

从上图可见，SibSp为0的乘客，幸存率低于1/3；SibSp为1或2的乘客，幸存率高于50%；SibSp大于等于3的乘客，幸存率非常低。

> WOETable(X=as.factor(data$SibSp[1:nrow(train)]), Y=data$Survived[1:nrow(train)])
  CAT GOODS BADS TOTAL       PCT_G       PCT_B        WOE          IV
1   0   210  398   608 0.593220339 0.724954463 -0.2005429 0.026418349
2   1   112   97   209 0.316384181 0.176684882  0.5825894 0.081387334
3   2    13   15    28 0.036723164 0.027322404  0.2957007 0.002779811
4   3     4   12    16 0.011299435 0.021857923 -0.6598108 0.006966604
5   4     3   15    18 0.008474576 0.027322404 -1.1706364 0.022063953
6   5     5    5     5 0.014124294 0.009107468  0.4388015 0.002201391
7   8     7    7     7 0.019774011 0.012750455  0.4388015 0.003081947
> IV(X=as.factor(data$SibSp[1:nrow(train)]),Y=data$Survived[1:nrow(train)])
[1] 0.1448994
attr(,"howgood")
[1] "Highly Predictive"

IV为0.1448994，且”Highly Predictive”。可以让SibSp这一个变量当作特征变量。

• 父母与子女数对生存率的影响

ggplot(data = data[1:nrow(train),], mapping = aes(x = Parch, y = ..count.., fill=Survived)) + 
 geom_bar(stat = 'count', position='dodge') + 
 labs(title = "How Parch impact survivor", x = "Parch", y = "Count", fill = "Survived") + 
 geom_text(stat = "count", aes(label = ..count..), position=position_dodge(width=1), , vjust=-0.5) + 
 theme(plot.title = element_text(hjust = 0.5), legend.position="bottom")
ggplot(data = data[1:nrow(train),], mapping = aes(x = Parch, y = ..count.., fill=Survived)) + 
 geom_bar(stat = 'count', position='dodge') + 
 labs(title = "How Parch impact survivor", x = "Parch", y = "Count", fill = "Survived") + 
 geom_text(stat = "count", aes(label = ..count..), position=position_dodge(width=1), , vjust=-0.5) + 
 theme(plot.title = element_text(hjust = 0.5), legend.position="bottom")

从上图可见，Parch为0的乘客，幸存率低于1/3；Parch为1到3的乘客，幸存率高于50%；Parch大于等于4的乘客，幸存率非常低。

> WOETable(X=as.factor(data$Parch[1:nrow(train)]), Y=data$Survived[1:nrow(train)])
  CAT GOODS BADS TOTAL       PCT_G       PCT_B        WOE          IV
1   0   233  445   678 0.671469741 0.810564663 -0.1882622 0.026186312
2   1    65   53   118 0.187319885 0.096539162  0.6628690 0.060175728
3   2    40   40    80 0.115273775 0.072859745  0.4587737 0.019458440
4   3     3    2     5 0.008645533 0.003642987  0.8642388 0.004323394
5   4     4    4     4 0.011527378 0.007285974  0.4587737 0.001945844
6   5     1    4     5 0.002881844 0.007285974 -0.9275207 0.004084922
7   6     1    1     1 0.002881844 0.001821494  0.4587737 0.000486461
> IV(X=as.factor(data$Parch[1:nrow(train)]),Y=data$Survived[1:nrow(train)])
[1] 0.1166611
attr(,"howgood")
[1] "Highly Predictive"

IV为0.1166611，且”Highly Predictive”，也可把Parch作为一个特征变量

• FamilySize(家庭人员规模)对幸存率的影响

SibSp与Parch都说明，当乘客无亲人时，幸存率较低，乘客有少数亲人时，幸存率高于50%，而当亲人数过高时，幸存率反而降低。在这里，可以考虑将SibSp与Parch相加，生成新的变量，FamilySize。

data$FamilySize <- data$SibSp + data$Parch + 1
ggplot(data = data[1:nrow(train),], mapping = aes(x = FamilySize, y = ..count.., fill=Survived)) + 
 geom_bar(stat = 'count', position='dodge') + 
 xlab('FamilySize') + 
 ylab('Count') + 
 ggtitle('How FamilySize impact survivor') + 
 geom_text(stat = "count", aes(label = ..count..), position=position_dodge(width=1), , vjust=-0.5) + 
 theme(plot.title = element_text(hjust = 0.5), legend.position="bottom")

由图可以看出家庭成员数量为2到4的乘客幸存可能性较高

> WOETable(X=as.factor(data$FamilySize[1:nrow(train)]), Y=data$Survived[1:nrow(train)])
  CAT GOODS BADS TOTAL       PCT_G      PCT_B        WOE           IV
1   1   163  374   537 0.459154930 0.68123862 -0.3945249 0.0876175539
2   2    89   72   161 0.250704225 0.13114754  0.6479509 0.0774668616
3   3    59   43   102 0.166197183 0.07832423  0.7523180 0.0661084057
4   4    21    8    29 0.059154930 0.01457195  1.4010615 0.0624634998
5   5     3   12    15 0.008450704 0.02185792 -0.9503137 0.0127410643
6   6     3   19    22 0.008450704 0.03460838 -1.4098460 0.0368782940
7   7     4    8    12 0.011267606 0.01457195 -0.2571665 0.0008497665
8   8     6    6     6 0.016901408 0.01092896  0.4359807 0.0026038712
9  11     7    7     7 0.019718310 0.01275046  0.4359807 0.0030378497
Warning message:
In grid.draw.grob(x$children[[i]], recording = FALSE) :
  reached elapsed time limit
> IV(X=as.factor(data$FamilySize[1:nrow(train)]), Y=data$Survived[1:nrow(train)])
[1] 0.3497672
attr(,"howgood")
[1] "Highly Predictive"

IV为0.3497672，且“Highly Predictive”，因此，可将这个派生变量FamilySize作为特征变量。

• 不同仓位对幸存率的影响

对于Cabin变量，其值以字母开始，后面伴以数字。这里有一个猜想，字母代表某个区域，数据代表该区域的序号。类似于火车票即有车箱号又有座位号。因此，这里可尝试将Cabin的首字母提取出来，并分别统计出不同首字母仓位对应的乘客的幸存率。

ggplot(data[1:nrow(train), ], mapping = aes(x = as.factor(sapply(data$Cabin[1:nrow(train)], function(x) str_sub(x, start = 1, end = 1))), y = ..count.., fill = Survived)) +
geom_bar(stat = 'count', position='dodge') + 
xlab('Cabin') +
ylab('Count') +
ggtitle('How Cabin impact survivor') +
geom_text(stat = "count", aes(label = ..count..), position=position_dodge(width=1), , vjust=-0.5) + 
 theme(plot.title = element_text(hjust = 0.5), legend.position="bottom")

由上图可见，仓位号首字母为B，C，D，E，F的乘客幸存率均高于50%，而其它仓位的乘客幸存率均远低于50%

> data$Cabin <- sapply(data$Cabin, function(x) str_sub(x, start = 1, end = 1))
> WOETable(X=as.factor(data$Cabin[1:nrow(train)]), Y=data$Survived[1:nrow(train)])
  CAT GOODS BADS TOTAL       PCT_G       PCT_B        WOE          IV
1   A     7    8    15 0.020408163 0.014571949  0.3368366 0.001965851
2   B    35   12    47 0.102040816 0.021857923  1.5408094 0.123546555
3   C    35   24    59 0.102040816 0.043715847  0.8476622 0.049439873
4   D    25    8    33 0.072886297 0.014571949  1.6098023 0.093874571
5   E    24    8    32 0.069970845 0.014571949  1.5689803 0.086919776
6   F     8    5    13 0.023323615 0.009107468  0.9403716 0.013368461
7   G     2    2     4 0.005830904 0.003642987  0.4703680 0.001029126
8   T     1    1     1 0.002915452 0.001821494  0.4703680 0.000514563
9   X   206  481   687 0.600583090 0.876138434 -0.3776231 0.104056065
> IV(X=as.factor(data$Cabin[1:nrow(train)]), Y=data$Survived[1:nrow(train)])
[1] 0.4747148
attr(,"howgood")
[1] "Highly Predictive"

Cabin的IV为0.1866526，且“Highly Predictive”，可以作为特征变量

• Embarked对乘客幸存率的影响

Embarked变量代表登船码头，现通过统计不同码头登船的乘客幸存率来判断Embarked是否可用于预测乘客幸存情况。

ggplot(data[1:nrow(train), ], mapping = aes(x = Embarked, y = ..count.., fill = Survived)) +
 geom_bar(stat = 'count', position='dodge') + 
 xlab('Embarked') +
 ylab('Count') +
 ggtitle('How Embarked impact survivor') +
 geom_text(stat = "count", aes(label = ..count..), position=position_dodge(width=1), , vjust=-0.5) + 
 theme(plot.title = element_text(hjust = 0.5), legend.position="bottom")

从上图可见，Embarked为S的乘客幸存率仅为217/(217+427)=33.7%，而Embarked为C或为NA的乘客幸存率均高于50%。

> WOETable(X=as.factor(data$Embarked[1:nrow(train)]), Y=data$Survived[1:nrow(train)])
  CAT GOODS BADS TOTAL     PCT_G     PCT_B         WOE           IV
1   C    93   75   168 0.2719298 0.1366120  0.68839908 9.315265e-02
2   Q    30   47    77 0.0877193 0.0856102  0.02433748 5.133014e-05
3   S   219  427   646 0.6403509 0.7777778 -0.19442458 2.671917e-02
> IV(X=as.factor(data$Embarked[1:nrow(train)]), Y=data$Survived[1:nrow(train)])
[1] 0.1199231
attr(,"howgood")
[1] "Highly Predictive"

从上述计算结果可见，IV为0.1227284，且“Highly Predictive”，可以作为特征变量

弥补缺失值

> attach(data)
> missing <- list(Pclass=nrow(data[is.na(Pclass), ]))
> missing$Name <- nrow(data[is.na(Name), ])
> missing$Sex <- nrow(data[is.na(Sex), ])
> missing$Age <- nrow(data[is.na(Age), ])
> missing$SibSp <- nrow(data[is.na(SibSp), ])
> missing$Parch <- nrow(data[is.na(Parch), ])
> missing$Ticket <- nrow(data[is.na(Ticket), ])
> missing$Fare <- nrow(data[is.na(Fare), ])
> missing$Cabin <- nrow(data[is.na(Cabin), ])
> missing$Embarked <- nrow(data[is.na(Embarked), ])
> for (name in names(missing)) {
+     if (missing[[name]][1] > 0) {
+         print(paste('', name, ' miss ', missing[[name]][1], ' values', sep = ''))
+     }
+ }
[1] "Age miss 263 values"
[1] "Fare miss 1 values"
[1] "Cabin miss 1014 values"
[1] "Embarked miss 2 values"
> detach(data)

• 预测乘客年龄

缺失年龄信息的乘客数为263，缺失量比较大，不适合使用中位数或者平均值填补。一般通过使用其它变量预测或者直接将缺失值设置为默认值的方法填补，这里通过其它变量来预测缺失的年龄信息。

age.model <- rpart(Age ~ Pclass + Sex + SibSp + Parch + Fare + Embarked + Title + FamilySize, data=data[!is.na(data$Age), ], method='anova')
data$Age[is.na(data$Age)] <- predict(age.model, data[is.na(data$Age), ])

• 中位数填补一个缺失的Fare值

  data$Fare[is.na(data$Fare)] <- median(data$Fare, na.rm=TRUE)  

• 将缺失的Cabin设置为默认值

缺失Cabin信息的记录数较多，不适合使用中位数或者平均值填补，一般通过使用其它变量预测或者直接将缺失值设置为默认值的方法填补。由于Cabin信息不太容易从其它变量预测，并且在上一节中，将NA单独对待时，其IV已经比较高。因此这里直接将缺失的Cabin设置为一个默认值。

  data$Cabin<- as.factor(sapply(data$Cabin, function(x)ifelse(is.na(x), 'X', str_sub(x, start = 1, end = 1))))

• 填补缺失的Embarked值
  这里Embarked值就只少了两个值，直接用众数来代替了

data$Embarked[c(62,830)] = "S"
  data$Embarked <- factor(data$Embarked)

补充：对于缺失值的处理

1. 对于不起重要预测作用的变量选择直接删除列
2. 不需要十分精确的估算的直接替换
3. 最近邻插补——kNN
4. 分类回归大树——rpart
   rpart()建立分类回归树模型，对于分类变量，添加参数：method = “class”
   对于数值变量，添加参数：method = “anova”

数据的预处理之缺失值插补
回归树简介和rpart的使用介绍

建立模型并预测

• 训练模型

set.seed(415)
model <-
cforest(Survived ~ Pclass + Title + Sex + Age + SibSp + Parch + FamilySize +
TicketCount + Fare + Cabin + Embarked, data = data[train.row, ],
controls=cforest_unbiased(ntree=2000, mtry=3))

• 交叉验证

一般情况下，应该将训练数据分为两部分，一部分用于训练，另一部分用于验证。或者使用k-fold交叉验证。本文将所有训练数据都用于训练，然后随机选取30%数据集用于验证。

cv.summarize <- function(data.true, data.predict) {
 print(paste('Recall:', Recall(data.true, data.predict)))
 print(paste('Precision:', Precision(data.true, data.predict)))
 print(paste('Accuracy:', Accuracy(data.predict, data.true)))
 print(paste('AUC:', AUC(data.predict, data.true)))
}
set.seed(415)
cv.test.sample <- sample(1:nrow(train), as.integer(0.3 * nrow(train)), replace = TRUE)
cv.test <- data[cv.test.sample,]
cv.prediction <- predict(model, cv.test, OOB=TRUE, type = "response")
cv.summarize(cv.test$Survived, cv.prediction)


[1] "Recall: 0.953757225433526"
[1] "Precision: 0.841836734693878"
[1] "Accuracy: 0.853932584269663"
[1] "AUC: 0.811984995695486"

• 预测

predict.result <- predict(model, data[(1+nrow(train)):(nrow(data)), ], OOB=TRUE, type = "response")
output <- data.frame(PassengerId = test$PassengerId, Survived = predict.result)
write.csv(output, file = "cit1.csv", row.names = FALSE)

• 上传到kaggle成绩

  
  

• 调优增加派生特征

去掉IV较低的Cabin，因为由于FamilySize结合了SibSp与Parch的信息，所以将SibSp与Parch也从特征变量中移除。

data$Surname <- sapply(data$Name, FUN=function(x) {strsplit(x, split='[,.]')[[1]][1]})
data$FamilyID <- paste(as.character(data$FamilySize), data$Surname, sep="")
data$FamilyID[data$FamilySize <= 2] <- 'Small'
# Delete erroneous family IDs
famIDs <- data.frame(table(data$FamilyID))
famIDs <- famIDs[famIDs$Freq <= 2,]
data$FamilyID[data$FamilyID %in% famIDs$Var1] <- 'Small'
# Convert to a factor
data$FamilyID <- factor(data$FamilyID)

对于Name变量，上文从中派生出了Title变量。由于以下原因，可推测乘客的姓氏可能具有一定的预测作用。

1. 部分西方国家中人名的重复度较高，而姓氏重复度较低，姓氏具有一定辨识度
2. 部分国家的姓氏具有一定的身份识别作用
3. 姓氏相同的乘客，可能是一家人（这一点也基于西方国家姓氏重复度较低这一特点），而一家人同时幸存或遇难的可能性较高
4. 考虑到只出现一次的姓氏不可能同时出现在训练集和测试集中，不具辨识度和预测作用，因此将只出现一次的姓氏均命名为’Small’。

set.seed(415)
model <- cforest(as.factor(Survived) ~ Pclass + Sex + Age + Fare + Embarked + Title + FamilySize + FamilyID + TicketCount, data = data[train.row, ], controls=cforest_unbiased(ntree=2000, mtry=3))
predict.result <- predict(model, data[test.row, ], OOB=TRUE, type = "response")
submit <- data.frame(PassengerId = test$PassengerId, Survived = predict.result)
write.csv(submit, file = "cit4.csv", row.names = FALSE)

• 优化后上传到kaggle成绩

  
  

关于随机森林的理解：

• 谈随机森林之前，先来谈一下决策树。

我们用选择量化工具的过程形象的展示一下决策树的构建。假设现在要选择一个优秀的量化工具来帮助我们更好的炒股，怎么选呢？
第一步：看看工具提供的数据是不是非常全面，数据不全面就不用。
第二步：看看工具提供的API是不是好用，API不好用就不用。
第三步：看看工具的回测过程是不是靠谱，不靠谱的回测出来的策略也不敢用啊。
第四步：看看工具支不支持模拟交易，光回测只是能让你判断策略在历史上有用没有，正式运行前起码需要一个模拟盘吧。

这样，通过将“数据是否全面”，“API是否易用”，“回测是否靠谱”，“是否支持模拟交易”将市场上的量化工具贴上两个标签，“使用”和“不使用”。上面就是一个决策树的构建，逻辑可以用下图表示：

在上图中，绿颜色框中的“数据”“API”“回测”“模拟交易”就是这个决策树中的特征。如果特征的顺序不同，同样的数据集构建出的决策树也可能不同。特征的顺序分别是“数据”“API”“回测”“模拟交易”。如果我们选取特征的顺序分别是“数据”“模拟交易”“API”“回测”，那么构建的决策树就完全不同了。在如何选取特征方面主要有三个算法：ID3算法（J. Ross Quinlan于1986年提出），采用信息增益最大的特征；C4.5算法（J. Ross Quinlan于1993年提出）采用信息增益比选择特征；CART算法（Breiman等人于1984年提出）利用基尼指数最小化准则进行特征选择。

• 现在要开始说随机森林了

随机森林呢？有两个方面：数据随机选取，以及待选特征的随机选取。

1）数据随机选取：从原始数据集中选取数据组成不同的子数据集，利用这些数据集构建子决策树，观察子决策树的分类结果，随机森林的分类结果属于子决策树的分类结果指向多的那个。如图，假设随机森林中有3棵子决策树，2棵子树的分类结果是A类，1棵子树的分类结果是B类，那么随机森林的分类结果就是A类。

2）待选特征的随机选取：随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再在随机选取的特征中选取最优的特征。

学习：【量化课堂】随机森林入门
学习：决策树与随机森林的R语言实现