机器学习kaggle入门案例

您所在的位置：网站首页 › kaggle经典数据集分析 › 机器学习kaggle入门案例

机器学习kaggle入门案例

2023-10-06 09:10| 来源: 网络整理| 查看: 265

公众号：尤而小屋作者：Peter编辑：Peter

大家好，我是Peter~

Titanic数据是一份经典数据挖掘的数据集，本文介绍的是kaggle排名第一的案例分享。原notebook地址：

www.kaggle.com/startupsci/…

排名

看下这个案例的排名情况：

第一名和第二名的差距也不是很多，而且第二名的评论远超第一名；有空再一起学习下第二名的思路。

通过自己的整体学习第一名的源码，前期对字段的处理很细致，全面；建模的过程稍微比较浅。

数据探索导入库

导入整个过程中需要的三类库：

数据处理可视化库建模库 # 数据处理 import pandas as pd import numpy as np import random as rnd # 可视化 import seaborn as sns import matplotlib.pyplot as plt %matplotlib inline # 模型 from sklearn.linear_model import LogisticRegression from sklearn.svm import SVC, LinearSVC from sklearn.ensemble import RandomForestClassifier from sklearn.neighbors import KNeighborsClassifier from sklearn.naive_bayes import GaussianNB from sklearn.linear_model import Perceptron from sklearn.linear_model import SGDClassifier from sklearn.tree import DecisionTreeClassifier 导入数据

导入数据后查看数据的大小

字段信息

查看全部的字段：

train.columns Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp', 'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked'], dtype='object')

下面是字段的具体含义:

PassengerId：用户id survival：是否生还，0-否，1-是 pclass：舱位，1-头等舱，2-二等，3-三等 name：姓名 sex：性别 Age：年龄 sibsp：在船上的兄弟/配偶数 parch：在船上父母/孩子数 ticket：票号 fare：票价 cabin：Cabin number；客舱号 embarked：登船地点字段分类

本案例中的数据主要是有两种类型：

分类型Categorical: Survived, Sex, and Embarked. Ordinal: Pclass 连续型Continous: Age, Fare. Discrete: SibSp, Parch 缺失值

查看训练集和测试集的缺失值情况：

同时也可以通过info函数来查数据的基本信息：

数据假设

作者基于数据的基本信息和常识，给出了自己的一些假设和后面的数据处理和分析方向：

删除字段本项目主要是考察其他字段和Survival字段的关系重点关注字段：Age、Embarked 删除字段：对数据分析没有作用，直接删除的字段：Ticket（票号）、Cabin（客舱号）、PassengerId（乘客号）、Name（姓名）修改、增加字段增加Family：根据Parch（船上的兄弟姐妹个数）和 SibSp（船上的父母小孩个数）从Name字段中提取Title作为新特征将年龄Age字段转成有序的分类特征创建一个基于票价Fare 范围的特征猜想女人（Sex=female）更容易生还小孩（Age>？）更容易生还船舱等级高的乘客更容易生还（Pclass=1）统计分析

主要是对分类的变量Sex、有序变量Pclss、离散型SibSp、Parch进行分析来验证我们的猜想

1、船舱等级（1-头等，2-二等，3-三等）

结论：头等舱的人更容易生还

2、性别

结论：女人更容易生还

3、兄弟姐妹/配偶数

结论：兄弟姐妹或者配偶数量相对少的乘客更容易生还

4、父母/孩子数

结论：父母子女在3个的时候，更容易生还

可视化分析年龄与生还 g = sns.FacetGrid(train, col="Survived") g.map(plt.hist, 'Age', bins=20) plt.show()

对于未生还的人员，大多数集中在15-25岁（左图）生还人员年龄最大为80；同时4岁以下的小孩生还率很高（右图）乘客的年龄大多数集中在15-35岁（两图）舱位与生还 grid = sns.FacetGrid( train, col="Survived", row="Pclass", size=2.2, aspect=1.6 ) grid.map(plt.hist,"Age",alpha=0.5,bins=20) grid.add_legend() plt.show()

舱位等级3的乘客最多；但是很多没有生还舱位等级1的乘客生还最多登船地点、性别与生还的关系 grid = sns.FacetGrid(train, row="Embarked", size=2.2, aspect=1.6) grid.map(sns.pointplot, "Pclass", "Survived", "Sex", palette="deep") grid.add_legend() plt.show()

女性比男性的生还情况要好除了在Embarked=C，男性的生还率要高些。当舱位等级都在Pclass=3，男性的在Embarked=C的生还率好于Q 票价、舱位与生还 grid = sns.FacetGrid(train, row='Embarked', col='Survived', size=2.2, aspect=1.6) grid.map(sns.barplot, 'Sex', 'Fare', alpha=.5, ci=None) grid.add_legend() plt.show()

票价越高，生还效果越好；右侧上2图生还率和登船的位置相关；明显在Embarked=C的情况是最好的

上面都是基于简单的统计和可视化方面的分析，下面的过程是基于各种机器学习建模的方法来进行分析，前期做了很多的预处理好特征工程的工作。

删除无效字段

票价ticket和客舱号Cabin对我们分析几乎是没有用的，可以考虑直接删除：

生成新特征

主要是根据现有的特征属性中找到一定的关系，来生成新的特征，或者进行一定的特征属性转化。

字段Name处理

根据名称Name生成找到称谓，比如Lady、Dr、Miss等信息，来查看这个称谓和生还信息之间是否存在关系

# 通过正则提取 for dataset in combine: dataset["Title"] = dataset.Name.str.extract('([A-Za-z]+)\.', expand=False) # 统计Title下的男女数量 train.groupby(["Sex","Title"]).size().reset_index()

使用交叉表的形式统计：

# 交叉表形式 pd.crosstab(train['Title'], train['Sex'])

将提取出来的称谓进行整理，归类为常见的称谓和Rare信息：

for dataset in combine: dataset["Title"] = dataset["Title"].replace(['Lady', 'Countess','Capt', 'Col',\ 'Don', 'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona'], 'Rare') dataset['Title'] = dataset['Title'].replace('Mlle', 'Miss') dataset['Title'] = dataset['Title'].replace('Ms', 'Miss') dataset['Title'] = dataset['Title'].replace('Mme', 'Mrs') # 根据称谓Title求生还的均值 train[["Title","Survived"]].groupby("Title",as_index=False).mean()

称谓本身是文本型对后期建模无用，我们直接转成数值型：

title_mapping = { "Mr":1, "Miss":2, "Mrs":3, "Master":4, "Rare":5 } for dataset in combine: # 存在数据的进行匹配 dataset['Title'] = dataset['Title'].map(title_mapping) # 不存在则补0 dataset['Title'] = dataset['Title'].fillna(0) train.head()

同时还需要删除部分字段：

train = train.drop(['Name', 'PassengerId'], axis=1) test = test.drop(['Name'], axis=1) combine = [train, test] train.shape, test.shape # ((891, 9), (418, 9)) 字段Sex

将性别的Male和Female转成0-Male，1-Female

for dataset in combine: dataset['Sex'] = dataset['Sex'].map( {'female': 1, 'male': 0} ).astype(int)

性别、年龄、生还之间的关系：

grid = sns.FacetGrid( train, row='Pclass', col='Sex', size=2.2, aspect=1.6) grid.map(plt.hist, 'Age', alpha=.5, bins=20) grid.add_legend() plt.show()

字段Age

1、首先就是字段的缺失值处理。

我们观察到年龄字段是存在缺失值的，我们通过Sex（0、1）和Pclass（1、2、3）的6种组合关系来进行填充。缺失值情况：

填充的具体过程：

guess_ages = np.zeros((2,3)) for dataset in combine: for i in range(0,2): for j in range(0,3): # 找到某种条件下Age字段的缺失值并删除 guess_df = dataset[(dataset["Sex"] == i) & (dataset["Pclass"] == j+1)]["Age"].dropna() age_guess = guess_df.median() # 中位数 guess_ages[i,j] = int(age_guess / 0.5 + 0.5) * 0.5 for i in range(0,2): for j in range(0,3): dataset.loc[(dataset.Age.isnull()) & (dataset.Sex == i) & (dataset.Pclass == j+1),"Age"] = guess_ages[i,j] dataset["Age"] = dataset["Age"].astype(int) # 填充后不存在缺失值 train.isnull().sum()

2、年龄分段分箱

3、转成数值分类

年龄小于16用0替代 16到32用1替代等... for dataset in combine: dataset.loc[dataset["Age"] 16) & (dataset["Age"] 32) & (dataset["Age"] 48) & (dataset["Age"] 64), "Age"] = 4 # 删除年龄段AgeBand字段 train = train.drop(["AgeBand"], axis=1) combine = [train, test] 字段处理

根据现有的字段来生成新字段：

生成新字段1

首先根据Parch和SibSp两个字段生成一个FamilySize字段

for dataset in combine: dataset["FamilySize"] = dataset["SibSp"] + dataset["Parch"] + 1 # 每个FamilySize的生还均值 train[['FamilySize', 'Survived']].groupby(['FamilySize'], as_index=False).mean().sort_values(by='Survived', ascending=False)

根据字段FamilySize来判断是否Islone：如果家庭成员FamilySize是一个人，那肯定是Islone的，用1表示，否则用0表示

最后将 Parch, SibSp, and FamilySize删除，仅保留是否一个人Islone：

# 将 Parch, SibSp, and FamilySize删除，仅保留是否一个人Islone train = train.drop(['Parch', 'SibSp', 'FamilySize'],axis=1) test = test.drop(['Parch', 'SibSp', 'FamilySize'],axis=1) combine = [train, test] train.head() 生成新字段2

新字段2是Age和Pclass的乘积：

Embarked字段的分类

Embarked字段取值有SQC。首先我们填充里面的缺失值

查看这个字段是存在缺失值的：

处理：找出众数、填充缺失值、查看每个取值的均值

将文本类型转成数值型：

Fare字段处理

训练集这个字段是没有缺失值，测试集中存在一个：

使用中值进行填充：

实行分箱操作：

# 只对FareBand字段分箱 train['FareBand'] = pd.qcut(train['Fare'], 4) # 分成4组 # 生还的均值 train[['FareBand', 'Survived']].groupby(['FareBand'], as_index=False).mean().sort_values(by='FareBand', ascending=True)

将每个段转成数值型的数据：

# 4个分段 for dataset in combine: dataset.loc[ dataset['Fare'] 7.91) & (dataset['Fare'] 14.454) & (dataset['Fare'] 31, 'Fare'] = 3 dataset['Fare'] = dataset['Fare'].astype(int) # train = train.drop(['FareBand'], axis=1) combine = [train, test] test.head()

这样我们就得到最终用于建模的字段和数据：

建模

下面是具体的建模过程，我们先划分数据集：

# 训练集 X_train = train.drop("Survived", axis=1) Y_train = train["Survived"] # 测试集 X_test = test.drop("PassengerId", axis=1).copy() X_train.shape, Y_train.shape, X_test.shape

每个模型的具体过程：

建立模型实例化的对象拟合训练集对测试集进行预测计算准确率模型1：逻辑回归 # 模型实例化 logreg = LogisticRegression() # 拟合过程 logreg.fit(X_train, Y_train) # 测试集预测 Y_pred = logreg.predict(X_test) # 准确率求解 acc_log = round(logreg.score(X_train, Y_train) * 100, 2) acc_log # 结果 81.37

逻辑回归模型得到的系数：

# 逻辑回归特征和系数 coeff_df = pd.DataFrame(train.columns[1:]) # 除去Survived特征 coeff_df.columns = ["Features"] coeff_df["Correlation"] = pd.Series(logreg.coef_[0]) # 从高到低 coeff_df.sort_values(by='Correlation', ascending=False)

结论：性别对我们的生还真的是一个重要的影响因素

模型2：支持向量机SVM

模型3：KNN

模型4：朴素贝叶斯

模型5：感知机

模型6：线性支持向量分类 linear_svc = LinearSVC() linear_svc.fit(X_train, Y_train) Y_pred = linear_svc.predict(X_test) acc_linear_svc = round(linear_svc.score(X_train, Y_train) * 100, 2) acc_linear_svc # 结果 79.46 模型7：随机梯度下降

模型8：决策树

模型9：随机森林

模型对比

将上面9种模型的结果（准确率）进行对比：

models = pd.DataFrame({ 'Model': ['Support Vector Machines', 'KNN', 'Logistic Regression', 'Random Forest', 'Naive Bayes', 'Perceptron', 'Stochastic Gradient Decent', 'Linear SVC', 'Decision Tree'], 'Score': [acc_svc, acc_knn, acc_log, acc_random_forest, acc_gaussian, acc_perceptron, acc_sgd, acc_linear_svc, acc_decision_tree]}) models.sort_values(by='Score', ascending=False)

通过对比结果：决策树和随机森林在这份数据集表现的效果是最好的；其次就是KNN（K近邻）算法。

【本文地址】

公司简介

联系我们