機器學習實戰:Kaggle泰坦尼克號生存預測 利用決策樹進行預測
本文已參與新人創作禮活動,一起開啟掘金創作之路。
決策樹分類的應用場景非常廣泛,在各行各業都有應用,比如在金融行業可以用決策樹做貸款風險評估,醫療行業可以用決策樹生成輔助診斷,電商行業可以用決策樹對銷售額進行預測等。 我們利用 sklearn 工具中的決策樹分類器解決一個實際的問題:泰坦尼克號乘客的生存預測。
問題描述
泰坦尼克海難是著名的十大災難之一,究竟多少人遇難,各方統計的結果不一。項目全部內容可以到我的github下載:http://github.com/Richard88888/Titanic_competition
具體流程分為以下幾個步驟:
- 準備階段:我們首先需要對訓練集、測試集的數據進行探索,分析數據質量,並對數據進行清洗,然後通過特徵選擇對數據進行降維,方便後續分類運算;
- 分類階段:首先通過訓練集的特徵矩陣、分類結果得到決策樹分類器,然後將分類器應用於測試集。然後我們對決策樹分類器的準確性進行分析,並對決策樹模型進行可視化。 接下來我們進行一一講解。
首先加載數據
```python
加載數據
train_data = pd.read_csv('train.csv') test_data = pd.read_csv('test.csv') ```
- 第一步:數據探索
python
import pandas as pd
print(train_data.info()) # 瞭解數據表的基本情況:行數、列數、每列的數據類型、數據完整度
print('-'*30)
print(train_data.describe()) # 瞭解數據表的統計情況:總數、平均值、標準差、最小值、最大值等
print('-'*30)
print(train_data.describe(include=['O'])) # 查看字符串類型(非數字)的整體情況
print('-'*30)
print(train_data.head()) # 查看前幾行數據(默認是前5行)
print('-'*30)
print(train_data.tail()) # 查看後幾行數據(默認是最後5行)
運行結果
```python
PassengerId Survived ... Parch Fare
count 891.000000 891.000000 ... 891.000000 891.000000 mean 446.000000 0.383838 ... 0.381594 32.204208 std 257.353842 0.486592 ... 0.806057 49.693429 min 1.000000 0.000000 ... 0.000000 0.000000 25% 223.500000 0.000000 ... 0.000000 7.910400 50% 446.000000 0.000000 ... 0.000000 14.454200 75% 668.500000 1.000000 ... 0.000000 31.000000 max 891.000000 1.000000 ... 6.000000 512.329200
[8 rows x 7 columns]
Name Sex ... Cabin Embarked
count 891 891 ... 204 889 unique 891 2 ... 147 3 top Peter, Mrs. Catherine (Catherine Rizk) male ... B96 B98 S freq 1 577 ... 4 644
[4 rows x 5 columns]
PassengerId Survived Pclass ... Fare Cabin Embarked 0 1 0 3 ... 7.2500 NaN S 1 2 1 1 ... 71.2833 C85 C 2 3 1 3 ... 7.9250 NaN S 3 4 1 1 ... 53.1000 C123 S 4 5 0 3 ... 8.0500 NaN S
[5 rows x 12 columns]
PassengerId Survived Pclass ... Fare Cabin Embarked
886 887 0 2 ... 13.00 NaN S 887 888 1 1 ... 30.00 B42 S 888 889 0 3 ... 23.45 NaN S 889 890 1 1 ... 30.00 C148 C 890 891 0 3 ... 7.75 NaN Q
[5 rows x 12 columns] ```
- 第二步:數據清洗
```python
使用平均年齡來填充年齡中的nan值
train_data['Age'].fillna(train_data['Age'].mean(), inplace=True) test_data['Age'].fillna(test_data['Age'].mean(),inplace=True)
使用票價的均值填充票價中的nan值
train_data['Fare'].fillna(train_data['Fare'].mean(), inplace=True) test_data['Fare'].fillna(test_data['Fare'].mean(),inplace=True) print('-'*30) print(train_data['Embarked'].value_counts())
使用登陸最多的港口來填充港口的nan值
train_data['Embarked'].fillna('S',inplace=True) test_data['Embarked'].fillna('S',inplace=True) ``` 運行結果
```python
S 644 C 168 Q 77 ```
- 第三步:特徵選擇
```python from sklearn.feature_extraction import DictVectorizer
PassengerId 為乘客編號,對分類沒有作用,可以放棄;Name 為乘客姓名,對分類沒有作用,可以放棄;Cabin 字段缺失值太多,可以放棄;Ticket 字段為船票號碼,雜亂無章且無規律,可以放棄。
其餘的字段包括:Pclass、Sex、Age、SibSp、Parch 和 Fare,這些屬性分別表示了乘客的船票等級、性別、年齡、親戚數量以及船票價格,可能會和乘客的生存預測分類有關係。
features = ['Pclass','Sex','Age','SibSp','Parch','Fare','Embarked'] train_features = train_data[features] train_labels = train_data['Survived'] test_features = test_data[features]
將特徵值中字符串表示為0.1表示
dvec = DictVectorizer(sparse=False)
fit_transform() 將特徵向量轉化為特徵值矩陣
train_features = dvec.fit_transform(train_features.to_dict(orient='record'))
查看dvec轉化後的特徵屬性
print(dvec.feature_names_) ``` 運行結果
python
['Age', 'Embarked=C', 'Embarked=Q', 'Embarked=S', 'Fare', 'Parch', 'Pclass', 'Sex=female', 'Sex=male', 'SibSp']
- 第四步:構建決策樹模型
```python from sklearn.tree import DecisionTreeClassifier clf = DecisionTreeClassifier(criterion='entropy')
決策樹訓練
clf.fit(train_features,train_labels) ```
- 第五步:模型預測
```python test_features = dvec.transform(test_features.to_dict(orient='record'))
決策樹預測
pred_labels = clf.predict(test_features).astype(np.int64)
print(pred_labels)
運行結果
python
[0 0 0 1 1 0 0 0 0 0 0 0 1 0 1 1 0 1 1 0 1 1 1 0 1 0 1 1 1 0 0 0 1 0 1 1 0
0 0 1 0 0 0 1 1 0 0 0 1 1 0 0 1 0 1 0 0 0 0 1 0 0 0 1 1 1 0 0 0 1 1 0 0 0
1 0 0 1 0 1 1 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 1 1 1 1 1 0 0 0 1 0 0 0 1 0 0
0 1 0 1 0 0 1 1 1 1 0 1 0 0 1 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0
0 0 1 0 0 1 0 0 1 0 0 0 0 1 1 0 0 1 1 0 1 0 0 0 0 0 0 1 1 1 1 1 0 0 1 0 1
0 1 0 0 0 0 0 1 1 1 0 1 0 0 0 1 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 1 0
1 1 1 0 0 0 0 0 0 1 1 0 1 0 1 1 1 1 1 1 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 1
0 0 0 1 1 0 0 0 0 0 0 1 0 1 1 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 0 0 0 0 1 0 1 0 0 0 1 0 0 1 1 1 0 0 0 0 0 0 1 1 0 1 0 0 0 1 0 0
1 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 1 0 1 1 1 1 0 0 1 1 1
0 1 0 0 1 1 0 0 0 0 0 0 0 1 0 1 0 0 1 0 1 1 1 0 0 1 0 1 0 0 1 0 1 0 0 1 0
0 0 0 0 1 0 0 1 0 0 0]
```
- 結果寫入submission.csv文件,提交kaggle
python
id = test_data['PassengerId']
sub = {'PassengerId': id, 'Survived': pred_labels}
submission = pd.DataFrame(sub)
submission.to_csv("submission.csv", index=False)
原文鏈接:http://blog.csdn.net/weixin_46087812/article/details/118736646?spm=1001.2014.3001.5501