深度学习实现案例一：预测泰坦尼克号上旅客生还概率_不使用keras实现titanic旅客生存概率预测-优快云博客

本文介绍了一个使用Keras深度学习框架预测泰坦尼克号乘客生存概率的案例，涉及数据预处理、模型搭建、训练及评估等关键步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近一段时间因为比赛的原因，接触了一下深度学习的内容，真的勾起了我的兴趣，因为Python和机器学习的基础比较薄弱，在学习的时候也遇到了一些困难，不过我相信任何一个成功的案例都是从模仿开始的，所以开始的时候我按照书上的方法写了一些，中间也出了一些bug，但是最后还是有惊无险的运行出来了，写一篇纯属是为了巩固一下，没有误人子弟的意思哈。

案例的全称就是：Keras多层感知器预测泰坦尼克号上旅客的生存概率

其实无论多么复杂的问题，都是万变不离其宗，在深度学习方面更是这样，就是模拟人类的神经网络，通过多层的处理和优化，进一步达到与真实值相近的程度。

步骤：

1、数据预处理

2、建立模型

3、开始训练

4、评估模型准确率

因为图形编辑器还不是很会用，先用张图片吧，草台班子一样。

发现图片也不好用，直接键盘打吧

1、数据预处理

此次用的数据不再是常见的图片数据集，而是一个标准的Excel表格，所以在数据预处理进行数据的相应转换的时候，应该采取不同的处理方法。

这个阶段是在输入层之前进行操作，将产生的9个特征字段作为输入传进输入层中去。代码部分氛围两部分：一部分是数据的转化和处理，一部分是数据的分类和比例的划分。

直接粘上数据处理字段的代码了，不多说了：

from keras.models import Sequential
from keras.layers import Dense,Dropout
import urllib.request
import os
import tarfile
import pandas as pd
import  numpy
from sklearn import preprocessing
file_path="E:\深度学习\Dataes/titanic3.xls"
all_df=pd.read_excel(file_path)
cols=['survived','name','pclass','sex','age','sibsp','parch','fare','embarked']
all_df=all_df[cols]
msk=numpy.random.rand(len(all_df))<0.8
train_df=all_df[msk]
test_df=all_df[~msk]
def PreprocessData(raw_df):
    df = raw_df.drop(['name'], axis=1)
    age_mean = df['age'].mean()
    df['age'] = df['age'].fillna(age_mean)
    fare_mean = df['fare'].mean()
    df['fare'] = df['fare'].fillna(fare_mean)
    df['sex'] = df['sex'].map({'female': 0, 'male': 1}).astype(int)
    x_OneHot_df = pd.get_dummies(data=df, columns=["embarked"])
    ndarray = x_OneHot_df.values
    Features = ndarray[:, 1:]
    Label = ndarray[:, 0]
    minmax_scale = preprocessing.MinMaxScaler(feature_range=(0, 1))
    scaledFeatures =