kaggle 泰坦尼克号问题总结
学习了机器学习这么久，第一次真正用机器学习中的方法解决一个实际问题，一步步探索，虽然最后结果不是很准确，仅仅达到了0.78647，但是真是收获很多，为了防止以后我的记忆虫上脑，我决定还是记录下来好了。
1，看到样本是，查看样本的分布和统计情况
#查看数据的统计信息
print(data_train.info())
#查看数据关于数值的统计信息
print(data_train.describe())
通常遇到缺值的情况，我们会有几种常见的处理方式
- 如果缺值的样本占总数比例极高，我们可能就直接舍弃了，作为特征加入的话，可能反倒带入noise，影响最后的结果了，或者考虑有值的是一类，没有值的是一类，
- 如果缺值的样本适中，而该属性非连续值特征属性(比如说类目属性)，那就把NaN作为一个新类别，加到类别特征中
- 如果缺值的样本适中，而该属性为连续值特征属性，有时候我们会考虑给定一个step(比如这里的age，我们可以考虑每隔2/3岁为一个步长)，然后把它离散化，之后把NaN作为一个type加到属性类目中。
- 有些情况下，缺失的值个数并不是特别多，那我们也可以试着根据已有的值，拟合一下数据，补充上。
随机森林的方法用来填充数据
from sklearn.ensemble import RandomForestRegressor ### 使用 RandomForestClassifier 填补缺失的年龄属性 def set_missing_ages(df): # 把已有的数值型特征取出来丢进Random Forest Regressor中 age_df = df[['Age','Fare', 'Parch', 'SibSp', 'Pclass']] # 乘客分成已知年龄和未知年龄两部分 known_age = age_df[age_df.Age.notnull()].as_matrix() unknown_age = age_df[age_df.Age.isnull()].as_matrix() # y即目标年龄 y = known_age[:, 0] # X即特征属性值 X = known_age[:, 1:] # fit到RandomForestRegressor之中 rfr = RandomForestRegressor(random_state=0, n_estimators=2000, n_jobs=-1) rfr.fit(X, y) # 用得到的模型进行未知年龄结果预测 predictedAges = rfr.predict(unknown_age[:, 1::]) # 用得到的预测结果填补原缺失数据 df.loc[ (df.Age.isnull()), 'Age' ] = predictedAges return df, rfr def set_Cabin_type(df): df.loc[ (df.Cabin.notnull()), 'Cabin' ] = "Yes" df.loc[ (df.Cabin.isnull()), 'Cabin' ] = "No" return df data_train, rfr = set_missing_ages(data_train) data_train = set_Cabin_type(data_train)
2，接下来就是特征工程了，这一步比较复杂，就是选择特征，
特征工程的处理方法包括很多种，可以在我的特征工程的博客中找到。
随机森林特征选择方法：通过加入噪音值前后的错误率的差值来判断特征值的重要程度。
import numpy as np from sklearn.feature_selection import SelectKBest,f_classif import matplotlib.pyplot as plt predictors = ["Pclass","Sex","Age","SibSp","Parch","Fare","Embarked","FamilySize","Title","NameLength"] #Perform feature selection selector=SelectKBest(f_classif,k=5) selector.fit(titanic[predictors],titanic["Survived"]) #Plot the raw p-values for each feature,and transform from p-values into scores scores=-np.log10(selector.pvalues_) #Plot the scores. See how "Pclass","Sex","Title",and "Fare" are the best? plt.bar(range(len(predictors)).scores) plt.xticks(range(len(predictors)).predictors,rotation='vertical') plt.show() #Pick only the four best features. predictors=["Pclass","Sex","Fare","Title"] alg=RandomForestClassifier(random_state=1,n_estimators=50,min_samples_split=8,min_samples_leaf=4)
然后就是模型选择了，
不能找到一个在所有数据上都表现好的模型，这就需要一步一步的验证了，而且同一个模型的不同参数，对结果影响也很大，在解决这个问题中我主要用了n折交叉验证来验证模型的准确率，选择准确率高的模型，然后通过曲线来模拟这些过程，还有一个可以考虑的点就是boosting方法，把许多个弱分类器的结果整合起来，还可以给每个弱分类器一定的权值。
//集成多种算法求平均的方法来进行机器学习求解 from sklearn.ensemble import GradientBoostingClassifier import numpy as np #The algorithms we want to ensemble. #We're using the more linear predictors for the logistic regression,and everything with the gradient boosting classifier algorithms=[ [GradientBoostingClassifier(random_state=1,n_estimators=25,max_depth=3, ["Pclass","Sex","Age","Fare","FamilySize","Title","Age","Embarked"]] [LogisticRegression(random_state=1),["Pclass","Sex","Fare","FamilySize","Title","Age","Embarked"]] ] #Initialize the cross validation folds kf=KFold(titanic.shape[0],n_folds=3,random_state=1) predictions=[] for train,test in kf: train_target=titanic["Survived"].iloc[train] full_test_predictions=[] #Make predictions for each algorithm on each fold for alg,predictors in algorithms: #Fit the algorithm on the training data alg.fit(titanic[predictors].iloc[train,:],train_targegt) #Select and predict on the test fold #The .astype(float) is necessary to convert the dataframe to all floats and sklearn error. test_predictions=alg.predict_proba(titanic[predictors].iloc[test,:].astype(float))[:,1] #Use a simple ensembling scheme -- just average the predictions to get the final classification. test_predictions=(full_test_predictions[0]+full_test_predictions[1])/2 #Any value over .5 is assumed to be a 1 prediction,and below .5 is a 0 prediction. test_predictions[test_predictions<=0.5]=0 test_predictions[test_predictions>0.5]=1 predictions.append(test_predictions) #Put all the predictions together into one array. predictions=np.concatenate(predictions,axis=0) #Compute accuracy by comparing to the training data accuracy=sum(predictions[predictions==titanic["Survived"]])/len(predictions) print(accuracy) #The gradient boosting classifier generates better predictions,so we weight it higher predictions=(full_predictions[0]*3+full_predictions[1]*1)/4 predictions
这个问题参考了很多的博客或教材：
使用sklearn进行kaggle案例泰坦尼克Titanic船员获救预测
数据科学工程师面试宝典系列之二---Python机器学习kaggle案例：泰坦尼克号船员获救预测
我的代码已经上传至 github
