人工智障也刷题！Kaggle 入门之实战泰坦尼克号

正文

请到「今天看啥」查看全文

关于泰坦尼克号之灾

www.kaggle.com/c/titanic

• 问题背景页

• 下载 Data 的页面

• 泰坦尼克号问题背景
• 就是大家从小到大被洗脑的“u jump I jump”的「jack 和 rose」的故事了。游艇在撞击了一个冰山后沉没了。乘客们都惊慌失措，副船长「lady and kid first」，所以模型不会向抛硬币那样看脸决定你是否获救。而是有着一定背景的，至于出了女士和孩子优先，还有哪些值得我们考虑，这就是稍后我们在特征工程中解决的问题了。
• 训练和测试数据是一些乘客的个人信息以及存活情况，尝试应用这些数据来建立一个合适的模型进行预测。
• 这是一个二分类问题（survived 或者 not），本文尝试用 logistic regression 来处理问题
• 说明
• 「没有所谓的算法优劣，也没有绝对高性能的机器学习算法，只有在特定的场景、数据和特征下更合适的机器学习的算法。」由于还只是在学习阶段，对于 XGBC、随机森林、SVC 还不了解，本文所用的算法只是 logistic regression。

初识数据

在 Data 下我们会看到官方给的 train.csv 和 test.csv 两个文件，分别是训练和测试数据。我们可以使用 virtualenv 来创建一个“隔离”的 python 应用环境（虚拟环境）。在这里，你不需要考虑系统原有库的版本，只需要 pip 来管理你需要用到的一切。

import pandas as pd 
import numpy as np 
from pandas import Series,DataFrame

data_train = pd.read_csv("./train.csv")
pd.DataFrame(data_train)
复制代码

pandas 是常用的 python 数据处理包，把 csv 文件读入成 dataframe 格式，在 jupyter notebook 中，可以看到我们的数据长什么样：

我们就可以把它看作一张 excel 表格，共有 12 列，891 行（代表在 train_csv 中共有 891 个乘客）。Survived 字段代表该乘客是否获救（1 代表获救，0 代表没有获救），其余是一些个人信息

• passengerId => 乘客的 ID
• Pclass => 乘客所在舱位的等级（1、2、3 等舱）
• Name => 姓名
• Sex => 性别
• Age => 年龄
• SibSp => 兄弟姐妹个数
• Parch => 父母与小孩个数
• Ticket => 船票信息
• Fare => 票价
• Cabin => 客舱信息
• Embarked => 登船所在港口

data_train.info()
复制代码

请到「今天看啥」查看全文