Titanic

Titanic

写在前面

这个是身为菜鸟的我的第一场 Kaggle 竞赛，博客内容也大体是搜集代码，熟悉流程，成功提交后总结可用经验

---

1. Kaggle 官网教程

1. 解读并展示三个数据，最后一个gender_submission.csv 完全按照性别预测，也提示了提交格式（两列，序号，是否存活）

2. 网页提供在线编辑代码平台

3. 决策树

   from sklearn.ensemble import RandomForestClassifier
   
   y = train_data["Survived"]
   
   features = ["Pclass", "Sex", "SibSp", "Parch"]
   X = pd.get_dummies(train_data[features])
   X_test = pd.get_dummies(test_data[features])
   
   model = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=1)
   model.fit(X, y)
   predictions = model.predict(X_test)
   
   output = pd.DataFrame({'PassengerId': test_data.PassengerId, 'Survived': predictions})
   output.to_csv('my_submission.csv', index=False)
   print("Your submission was successfully saved!")
   

4. 提供机器学习课程https://www.kaggle.com/learn/intro-to-machine-learning

2. Kaggle 机器学习课程

1. How models work

   • define a model
   • fit a model
   • make predictions
   • evaluate our model

2. Basic data exploration

   • data.describle() 对数值型数据进行统计
   • data.head()
   • data.info() 大概知道数据缺失情况

3. Your first machine learning model

   • 选择一部分特征用于训练模型
     • m_features=[‘a’,‘b’,‘c’]
     • x=m_data[m_features]
   • 决策树
     • my_model=DecisionTreeRegressor(random_state=1)
     • "random_state=某个数"可以确保每一次运行时得到相同的结果

4. Model validation

   • MAE(mean absolute error) 平均绝对误差——误差绝对值取平均

     • mean_absolute_error(y,predict_y)

   • validation data 不能用训练模型的数据来检测模型的质量，要额外预留出一部分数据

   • train_test_split

     • train_X, val_X, train_y, val_y = train_test_split(X, y, random_state = 0)
       

5. Underfitting and Overfitting

   • 欠拟合（树过浅）：一个模型无法捕捉数据内重要的特征和模式，导致它在训练数据中表现仍然很糟
   • 过拟合（树过深）：模型对于训练数据的预测效果非常好，但是在新数据上的效果是不可靠的
   • max_leaf_nodes参数能够很好的控制树的深度
   • data=data.dropna(axis=0) 丢弃含有缺失值的行

6. Random forests

   • 随机森林使用了许多树，它通过平均每个分量树的预测来进行预测。
   • 默认参数也可以效果很好
   • mymodel=RandomForestRegressor(random_state=1)

3. csdn博客——逻辑回归

来源 http://blog.youkuaiyun.com/han_xiaoyang/article/details/49797143

应用机器学习，千万不要一上来就试图做到完美，先撸一个baseline的model出来，再进行后续的分析步骤，一步步提高，所谓后续步骤可能包括『分析model现在的状态(欠/过拟合)，分析我们使用的feature的作用大小，进行feature selection，以及我们模型下的bad case和产生的原因』等等

数据认识、对特殊点和离群点的处理、特征工程、模型融合

1. data.info() data.describe()
2. matplotlib.pyplot 画图展示以各属性为标准乘客分布（柱状图、折线图）
3. 统计各属性与获救结果的关联
4. 将Cabin有无数据处理成Yes、No两种类型
5. 缺失值的处理方式
   • 样本多，直接舍弃
   • 样本适中，且该属性为非连续值特征属性，就把NaN作为一个新类别
   • 样本适中，且该属性为连续值特征属性，设置step然后离散化
   • 缺失值的个数不多也可以拟合补全
6. 用随机森林拟合缺失的年龄数据
7. 由于逻辑回归输入的特征均为数值型特征，因此需将类目型的特征因子化。因子化：将非数值型特征平展成多个属性，如Cabin_yes,Cabin_no两个属性，在每个属性下取值0、1
   • pd.get_dummies(data,prefix=前缀）按照data的值添加虚拟变量
   • pd.concat() 数据的拼接
   • pd.drop([’’,’’],axis=1,inplace=true) #true表示原数组内容直接被修改
8. 使用逻辑回归与梯度下降，注意将数值归一化
   • scaler=preprocessing.StandardScaler()
9. 交叉验证可以帮助我们检验点子是否合理，bad case直接拿出来人眼审阅，也许可以印证一些猜测，那就将这些优化的想法优先级放高一点
10. 改善过拟合
    • 特征选择，选出特征的子集训练
    • 提供更多的数据
11. 改善欠拟合
    • 需要更多的特征
    • 需要更复杂的模型
12. learning_curve分辨模型欠拟合还是过拟合
    • 过拟合：训练集上得分高，交叉验证集上得分低，中间的gap较大
13. 模型融合
    • 较好缓解训练过程中的过拟合问题，对结果的准确度提升有帮助
    • bagging——不要用全部的训练集训练模型，而是取训练集的一个subset作训练。这样我们虽然用的是同一个机器学习算法，但是得到的模型不同，即使过拟合也是在子训练集上过拟合

4. Kaggle代码——随机森林

来源 https://www.kaggle.com/funxexcel/titanic-solution-random-forest

1. 原始数据处理（train、test合并一起处理）
   • age、fare中值填充缺失值
   • embarked 众数填充类别缺失值
   • age 连续型属性按照区间划分分类
   • name 用头衔替代，明确身份（如Mr. /Dr./Officer.
   • Carbin只取字符串第一个字符
   • 构造Family_Size 和 IsAlone 属性
2. 训练随机森林模型（参数）
3. 尝试——相同数据处理方法，使用随机森林分类器默认参数，得分0.7655