（1）问题描述

问题研究的是从一个保险公司角度思考，是否要向泰坦尼克号乘客出售人身保险的问题

假设保险公司已知船会撞到冰山，幸存者和遇难者的匿名特征

问题研究的目的 最小化遇难者的索赔，最大化保险公司的保单金额

可作为 保险行业向高风险客户（职业，习惯，疾病）出售保险的参考模型

（2）问题定义

如何根据已有的数据（船会撞向冰山，幸存者和遇难者的匿名特征数据），分出投保人是遇难者和幸存者

理想的结果是，保险公司向所有的幸存者出售了保险（全保单），未向所有遇难者出售保险（0索赔）

如果无法精确区分幸存者和遇难者，保险公司的原则是 宁可减少保单，不增加索赔

这个问题源于分类问题（根据已知数据，分类幸存者和遇难者），又高于分类问题（幸存者对应的保单与遇难者对应的索赔，从保险公司来说不对等且相差很大）

重点关注幸存者，如果100%分出幸存者，那就可以只向这部分人出售保险。

（3）准备数据

导入数据

导入原始数据文件

选择特征矩阵和目标因子

1）原始数据中，一共包含12条数据项，从信息的有效性和数据处理的角度出发，剔除”PassangerId”,“Name”, “Ticket”, “Cabin”这4条数据项，”Survived”作为目标因子。

2）按照数字特征和离散特征，分离特征矩阵

数值特征缩放

1）归一化对数值特征进行缩放处理（缩放处理对于算法收敛必不可少），如果数据中存在缺失值，用平均值填充。

2）一般地，

在分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候，StandardScaler表现更好。

在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用MinMaxScaler。比如图像处理中，将RGB图像转换为灰度图像后将其值限定在[0255]的范围。

特征处理（离散特征）

对离散特征进行数字化处理

离散特征的编码分为两种情况：

a.离散特征的取值之间没有大小的意义，比如color: [red, blue],那么就使用one-hot编码；

b.离散特征的取值有大小的意义，比如size:[X, XL, XXL],那么就使用数值的映射     {X: 1, XL: 2, XXL: 3}。

选取训练集和测试集数据

model_selection ()

（4）训练模型，调整模型精度

模型选用，SGD

调整模型精确度

根据SGD的特征，验证迭代次数，确认模型收敛（确认迭代2000次，算法可以收敛）；

衡量模型算法的性能，混淆矩阵，准确率，精确度，PR曲线；

根据训练数据的PR曲线得到的阈值，验证测试数据，调整阈值。

（5）总结

根据我们的模型和阈值设置（用作模型精度调整），可以将幸存者的分类精度由0.73提高到1.0。棒！

PS:详细代码及代码解析见github：https://github.com/Miriam6/data-analysis-Kaggle

百度网盘：https://pan.baidu.com/s/1jAn3e1nK2x5RjGvLiSwTaA，uryr