Kaggle Animal Shelter Outcome整个流程

本文主要对Kaggle的一个比赛项目，进行了分析说明，希望能够查找到原因，提高数据分析的能力。

具体项目要求及数据请看[这里]

简而言之这是一个多分类的问题，并需要计算出属于各个类的概率，项目评判的标准是交叉熵（Cross Entropy）最小。

1、数据的加载与清洗

由于所给数据为csv格式，而且还有header选择使用了pandas中的read_csv函数作为加载数据的函数，具体代码如下：

animals = pd.read_csv('D://shelter/train.csv')
p_animals = pd.read_csv('D://shelter/test.csv')

观察数据不难发现其中有不少数据缺失的情况，暂且先不考虑，提取特征的时候予以重点考虑。

---

2、特征提取

最开始时对这块儿不太重视，只想套用模型计算结果，后来发现特征提取（或称之为特征工程）可以说是最关键的一步。好的特征 + 简单的模型 >> 一般的特征 + 高级模型，这个方面会在后文详细介绍。

• 分析AnimalID，每一个Animal有唯一的ID，因此这一特征可以删除，不用考虑；
• 分析Name这一列特征，可以发现有很多缺失数据，也就是说有些动物可能没有名字，最开始的 时候我直接把这一行数据弃用了；后来发现这是一个很大的错误，因为有名字的动物可能以前已经被收养过，而没有名字的动物，可能以前没有被收养过（当然也可能存在漏统计等因素），但不管怎么说我们从实际出发， 这个特征可能会对流浪动物的去向有影响，这点需要注意的是我们再最初筛选特征