机器学习练习项目（决策树）：泰坦尼克号乘客生还率预测

最新推荐文章于 2024-12-15 13:52:36 发布

原创

最新推荐文章于 2024-12-15 13:52:36 发布 · 2.8k 阅读

相应的数据集和可执行文件均可以在本文中获取。以下各段代码也均可在jupyter中运行，可以随时查看结果。

题目描述：
1912年，泰坦尼克号在第一次航行中就与冰山相撞沉没，导致了大部分乘客和船员身亡。在这个项目中，我们将探索部分泰坦尼克号旅客名单，来确定哪些特征可以最好地预测一个人是否会生还。

分析数据

import numpy as np #导入包
import pandas as pd

# 加载数据集
full_data = pd.read_csv('titanic_data.csv')
print(full_data.describe()) #打印数据集

在这里插入图片描述
表中是每行：

count：总数
mean：平均值
std：是方差
min：最小值
25%、50%、75%：位于总数据分别为25%、50%、75%的数据
max：最大值

表中每列是数据里面旅客的特征：

PassengerId：乘客ID
Survived：是否存活（0代表否，1代表是）
Pclass：社会阶级（1代表上层阶级，2代表中层阶级，3代表底层阶级）
Age:船上乘客的年龄（可能存在 NaN）
SibSp：乘客在船上的兄弟姐妹和配偶的数量
Parch：乘客在船上的父母以及小孩的数量
Fare：乘客为船票支付的费用

这和我们直接在csv表里面看到的数据不一样，那是因为打印的时候没有处理字符列。
在这里插入图片描述

Survived：是否存活（0代表否，1代表是）
Pclass：社会阶级（1代表上层阶级，2代表中层阶级，3代表底层阶级）
Name：船上乘客的名字
Sex：船上乘客的性别
Age:船上乘客的年龄（可能存在 NaN）
SibSp：乘客在船上的兄弟姐妹和配偶的数量
Parch：乘客在船上的父母以及小孩的数量
Ticket：乘客船票的编号
Fare：乘客为船票支付的费用
Cabin：乘客所在船舱的编号（可能存在 NaN）
Embarked：乘客上船的港口（C 代表从 Cherbourg 登船，Q 代表从 Queenstown 登船，S 代表从 Southampton 登船）

我们单独把数据集的前几行打印出来看下

display(full_data.head())#显示前5行

在这里插入图片描述
这里显示的就正确了。

从上面这些表中可以看到年龄(Age)列只有714行，缺失了105行。所以我们要对缺失值进行处理。
考虑到年龄最小值是0.42，最大值80，这里用中位数填充缺失值，因为中位数不受极端变量值的影响。

# 年龄缺失值处理
full_data['Age']=full_data['Age'].fillna( full_data['Age'].median())# 用中位数填充

# 再次查看数据完整性
print(full_data.describe())

在这里插入图片描述
这回数据都完整了。

因为我们感兴趣的是每个乘客或船员是否在事故中活了下来。可以将 Survived 这一特征从这个数据集移除，并且用一个单独的变量 outcomes 来存储。它也做为我们要预测的目标。

# 从数据集中移除 'Survived' 这个特征，并将它存储在一个新的变量中。
outcomes = full_data['Survived']
data = full_data.drop('Survived', axis = 1)

# 显示已移除 'Survived' 特征的数据集前5行
display(data.head())

在这里插入图片描述
此时泰坦尼克号的 Survived 数据从 DataFrame 移除。 data（乘客数据）和 outcomes （是否存活）现在已经匹配好。也就是对于任何乘客的 data.loc[i] 都有对应的存活的结果 outcome[i]。

定义评判标准（计算准确率）

为了验证我们预测的结果，我们需要一个标准来给我们的预测打分。预测的准确率，既正确预测乘客存活的比例。
创建我们的 accuracy_score 函数以对前五名乘客的预测来做测试。

假设预测他们全部都存活，求预测的准确率。

def accuracy_score(truth, pred):
    # 确保预测的数量与结果的数量一致
    if len(truth) == len(pred): 
        # 计算预测准确率（百分比）
        return "Predictions have an accuracy of {:.2f}%.".format((truth == pred).mean()*100)
    else:
        return "Number of predictions does not match number of outco