用决策树或随机森林解决泰坦尼克号乘客生存预测（内附数据集百度网盘）

实现该模型的训练要用到的主要算法和实现思路是

"""
项目：泰坦尼克号乘客生存预测

主要算法：决策树\随机森林

实现思路：
    1、导包
    2、读取数据
    3、对数据进行基本处理
    4、特征工程
    5、决策树预估器流程
    6、模型评估
"""

首先的首先当然是导包啦

# 1、导包  



import pandas as pd # 读取文件用的
from sklearn.feature_extraction import DictVectorizer # 用来进行字典特征抽取
from sklearn.tree import DecisionTreeClassifier #决策树
from sklearn.model_selection import GridSearchCV # 网格搜索和CV（交叉验证）
from sklearn.ensemble import RandomForestClassifier # 随机森林

然后就是读取文件里面的数据进来了

# 2、读取数据  



train = pd.read_csv('train.csv')
test = pd.read_csv('test.csv')
y_test = pd.read_csv('gender_submission.csv')

数据集下载：百度网盘

链接：https://pan.baidu.com/s/1slaouE4Es37U8u0U-kDJnw
提取码：ss5o

接着是进行对数据进行基本的处理了，以下是作者的处理方法：

第一步是把多余的特征去除，选取出有用的特征，作者认为，在数据集里面有用的有”Pclass”,“Age”,“Sex”三个，所以我对它进行提取出来

# 3、对数据进行基本处理  



# 1)选取有用的数据
x_train = train[["Pclass","Age","Sex"]]
y_train = train["Survived"]
x_test = test[["Pclass","Age","Sex"]]

第二步是把缺失值给填充为平均值。对于缺失值有两种处理方式，一是如果该特征不重要，直接删除便是，二是填充平均值或众数

# 2)缺失值处理:用平均值填充
x_train["Age"].fillna(x_train["Age"].mean(),inplace=True)
x_test["Age"].fillna(x_train["Age"].mean(),inplace=True)

# .fillna()是用来把括号里的值填充进空值里，里面的inplace是决定是否要在自身进行修改
# .mean()是取到其平均值

第三步是把数据转化成字典类型

# 3）转换成字典
x_train = x_train.to_dict(orient="records")
x_test = x_test.to_dict(orient="records")

“““  
orient 控制的是转换成的字典的形式
orient =‘dict’，是函数默认的，转化后的字典形式：{column(列名) : {index(行名) : value(值) )}}；
orient =‘list’ ，转化后的字典形式：{column(列名) :{[ values ](值)}};
orient =‘series’ ，转化后的字典形式：{column(列名) : Series (values) (值)};
orient =‘split’ ，转化后的字典形式：{‘index’ : [index]，‘columns’ :[columns]，’data‘ : [values]};
orient =‘records’ ，转化后是 list形式：[{column(列名) : value(值)}…{column:value}];
orient =‘index’ ，转化后的字典形式：{index(值) : {column(列名) : value(值)}};

”””

下一步是进行特征工程，把数据处理成计算机能看懂的鸭子

# 4、特征工程  


# 1)实例化两个转换器
transfer = DictVectorizer()  

# 2）使用转换器  

x_train = transfer.fit_transform(x_train)
x_test = transfer.transform(x_test)

“““
注：以上x_test是用transform方法，是应为fit_transform方法实际上可以分为两个方法，
　　一个是fit，一个是transform，fit是用来计算数据的标准差和平均数，transform是用来
　　转化数据的，在第一次使用fit_transform时，transfer里面已经通过fit得到了x_train
　　的标准差和平均值了，为了数据标准化更加真实，所以x_test也要用一样的标准差和平均值，
　　这就是x_test使用transform的原因
”””

最后就是使用决策树算法了

# 5、决策树预估器流程


# 实例化预估器
es = DecisionTreeClassifier(criterion="entropy")

# 添加网格搜索和CV
es = GridSearchCV(es,param_grid={"max_depth":[1,2,3,4,5,6,7,8,9]},cv=3)


# 6、模型评估



# 使用预估器
es.fit(x_train, y_train)


# 查看准确率
print(es.score(x_test, y_test["Survived"]))

# 查看最佳数据
print("最佳深度:",es.best_params_)
print("最佳成绩:",es.best_score)

另外一个就是也可以用随机森林的算法

# 5、随机森林预估器流程


# 使用随机森林进行解决
est = RandomForestClassifier()

# 添加网格搜索和CV
est = GridSearchCV(est,param_grid={"n_estimators":[10,20,40,80,160,320,640,1280]},cv=3)

# 使用
est.fit(x_train, y_train)


# 6、模型评估




# 查看准确率
print(est.score(x_test, y_test["Survived"]))

# 查看最好参数
print("最好的树数量：",est.best_params_)
print("最佳成绩:",est.best_score_)

如此下来，我们便完成了一个关于泰坦尼克号乘客生存预测的模型辣！

（ps：该随笔是作者一边学习一边写的，里面有一些自己的拙见，如果有错误或者哪里可以改正的话，还请大家指出并批评改正！）