泰坦尼克Titanic乘客生存预测

Posted 2020-12-09 langb

前言

目标：预测测试集中乘客是否会存活

此项目数据集分为2份数据集titanic_train.csv和titanic_test.csv

titanic_train.csv: 训练集，共计891条数据

titanic_test.csv: 测试集，共计418条数据

字段 　　　　字段说明
PassengerId  乘客编号
Survived 　　存活情况（存活：1 ; 死亡：0）
Pclass 　　　客舱等级
Name 　　     乘客姓名
Sex 　　　　 性别
Age 　　　　 年龄
SibSp 　　　 同乘的兄弟姐妹/配偶数
Parch 　　　 同乘的父母/小孩数
Ticket 　　　 船票编号
Fare     　　   船票价格
Cabin 　　　 客舱号
Embarked 　 登船港口

探索性数据分析

 

 

 ‘Cabin‘列大部分值都是缺失值，删除该列，乘客的名字也先不予考虑，将其删除。

 

 ‘Age‘缺失值用平均数填充，‘Embarked‘缺失值用众数填充。

 

 补充后的数据为：

 

 先看一下性别与获救率的关系，很显然女性得到了重点照顾。

下面做Heatmap(热图)对各变量进行相关性分析。 

首先，对性别‘Sex‘列和登船港口‘Embarked‘列进行字符处理，船票编号类别大，难以分析规律，故先不参与相关性分析。

 

 

 绘制Heatmap。

 

 

 

 从图中可以得出：性别与是否获救相关性最强，女性更容易获救；其次是货舱等级以及票价与获救的高相关性，客舱越高级，船票越贵，越容易获救，可以说富人更容易获救。

其他信息为：一家人(父母子+配偶+兄弟姐妹)大概率一起坐船；越年长客舱越高级。

 

特征工程

 删除特征：‘Name’ 和  ‘Cabin’（已完成）

合并特征：将‘SibSp’和‘Parch’合并 为新特征‘Mates‘

添加新特征：

对船票编号’Ticket‘进行分析，将其分为字母开头型和数值型，其中字母开头型按字母进行细分，数字型统一算作一类，并对各类别数字编码。

 

 

 效果如下：

 

 

 

 模型选择

 本文选用逻辑回归模型和随机森林模型。

逻辑回归模型：

特征工程前：

 

 

 

 

 

 特征工程后：

 

 

 

 

 

 随机森林模型:

特征工程前：

 

 

 

 

 

 特征工程后：