泰坦尼克—逻辑回归

趁着周末比较闲，做一个几乎所有人都会做的入坑项目——大名鼎鼎的Kaggle泰坦尼克。

数据地址我就不放了，Kaggle上自己翻吧。数据包括：

• PassengerId => 乘客ID
• Survive => 乘客是否生还（仅在训练集中有，测试集中没有）
• Pclass => 乘客等级(1/2/3等舱位)
• Name => 乘客姓名
• Sex => 性别
• Age => 年龄
• SibSp => 堂兄弟/妹个数
• Parch => 父母与小孩个数
• Ticket => 船票信息
• Fare => 票价
• Cabin => 客舱
• Embarked => 登船港口

而我们需要根据以上乘客的个人信息，做出分类模型，对测试集中乘客的生还情况做出预测。因为生还只涉及到生/死两种情况，故此问题是个二分类问题，在这里我们使用逻辑回归进行分类。

1.数据认知

首先来看一下数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data_train = pd.read_csv('train.csv')
data_train.info() 

先从训练集开始看，结果如下：

可以看到Cabin,Age和Embarked这三项在训练集中皆有缺失。

首先，让我们直观的认识一下各类信息与生还的相关情况。

1.1 舱位与生还的对比

fig = plt.figure()
fig.set(alpha=0.2)
no_survived = data_train.Pclass[data_train.Survived == 0].value_counts()
survived = data_train.Pclass[data_train.Survived == 1].value_counts()
df = pd.DataFrame({'Survived':survived,'Died':no_survived})
df.plot(kind='bar',stacked = True)
plt.title('Class vs Survive')
plt.xlabel('People')
plt.ylabel('Class')
plt.show()

我们可以看到，就生还率而言，一等舱明显最高，而三等舱显然最低。因此可以推测舱位的高低与生还情况成正相关。

这告诉了我们出门一定要多花钱买船/机票，做个有钱人。

1.2 性别与生还对比

fig = plt.figure()
fig.set(alpha = 0.2)
no_survived_g = data_train.Sex[data_train.Survived == 0].value_counts()
survived_g = data_train.Sex[data_train.Survived == 1].value_counts()
df_g = pd.DataFrame({'Survived':survived_g,'Died':no_survived_g})
df_g.plot(kind='bar',stacked = True)
plt.title('Gender vs Survive')
plt.xlabel('People')
plt.ylabel('Survive')
plt.show()

女性的生还状况要好于男性，看来在泰坦尼克号事故中，船员们还是普遍绅士的。

说明了如果是个女土豪，生还机会更好。

1.3 港口与生还情况

fig = plt.figure()