kaggle泰坦尼克号数据分析 笔记

xiaoxiao2021-02-28  32

#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==0 titanic.loc[titanic["Sex"]=="male","Sex"] = 0 titanic.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S titanic["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_model import LinearRegression #引入交叉验证 from sklearn.cross_validation import 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 RandomForestClassifierpredictors = ["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--

转载请注明原文地址: https://www.6miu.com/read-2633134.html

最新回复(0)