【从零开始学Kaggle竞赛】泰坦尼克之灾

0.准备

注册kaggle账号后，进入titanic竞赛界面
https://www.kaggle.com/competitions/titanic
进入后界面如下
Overview部分为竞赛整体介绍，包括竞赛介绍以及结果评估。
Data部分为数据集介绍，介绍使用的数据集。
Code部分为提交的代码

1.问题分析

挑战

泰坦尼克号的沉没是历史上最臭名昭著的沉船事故之一。

1912 年 4 月 15 日，被公认为 "永不沉没 "的皇家邮轮泰坦尼克号在首航时撞上冰山沉没。不幸的是，由于没有足够的救生艇供船上所有人使用，2224 名乘客和船员中有 1502 人丧生。

虽然生还有一定的运气成分，但似乎有些群体比其他群体更有可能生还。

在这项挑战中，我们要求您建立一个预测模型来回答这个问题："使用乘客数据（即姓名、年龄、性别、社会经济阶层等）来回答 "什么样的人更有可能幸存？

流程

• 参加竞赛
  阅读挑战说明，接受竞赛规则并访问竞赛数据集。
• 开始工作
  下载数据，在本地或 Kaggle Notebooks（我们的免设置、可定制的 Jupyter Notebooks 环境，配备免费 GPU）上构建模型，并生成预测文件。
• 提交
  在 Kaggle 上以提交的形式上传您的预测，并获得准确率分数。
• 查看排行榜
  在我们的排行榜上查看您的模型在其他 Kaggler 中的排名。
• 提高分数
  查看讨论区，查找大量教程和其他竞争对手的见解。

数据集介绍

在本次竞赛中，您将获得两个类似的数据集，其中包括乘客信息，如姓名、年龄、性别、社会经济阶层等。一个数据集名为 train.csv，另一个名为 test.csv。

Train.csv将包含一个乘客子集（确切地说是891人）的详细信息，重要的是，它将揭示乘客是否幸存，也就是所谓的 “基本事实”。

test.csv 数据集包含类似的信息，但不会披露每位乘客的 “基本事实”。您的任务就是预测这些结果。

利用您在 train.csv 数据中发现的模式，预测机上其他 418 名乘客（在 test.csv 中找到）是否幸存。

结果提交

1. 目标
   您的任务是预测泰坦尼克号沉没时是否有乘客幸存。
   对于测试集中的每个变量，您必须预测其值为 0 或 1。

2. 指标
   您的分数是您正确预测乘客的百分比。这就是所谓的准确率。

3. 提交文件格式
   您应提交一个 csv 文件，其中包含 418 个条目和一行标题。如果您提交的文件中有额外的列（除乘客编号和存活人数外）或行，则会显示错误。

2.代码实现

首先选择Code，之后点击New Notebook

新建Notebook后，会出现如下界面
单击运行Notebook中的代码
查看运行结果

代码为

# This Python 3 environment comes with many helpful analytics libraries installed
# It is defined by the kaggle/python Docker image: https://github.com/kaggle/docker-python
# For example, here's several helpful packages to loadimport numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)# Input data files are available in the read-only "../input/" directory
# For example, running this (by clicking run or pressing Shift+Enter) will list all files under the input directoryimport os
for dirname, _, filenames in os.walk('/kaggle/input'):for filename in filenames:print(os.path.join(dirname, filename))# You can write up to 20GB to the current directory (/kaggle/working/) that gets preserved as output when you create a version using "Save & Run All" 
# You can also write temporary files to /kaggle/temp/, but they won't be saved outside of the current session

结果应为

/kaggle/input/titanic/train.csv
/kaggle/input/titanic/test.csv
/kaggle/input/titanic/gender_submission.csv

2.1 加载数据

主要使用
pd.read_csv(filepath_or_buffer. sep=‘;’)

filepath_or_buffer 输入需要读取的csv文件路径
sep指定数据中列之间的分隔符，默认为逗号。
data.head():返回data的前几行数据，默认为前五行，需要前十行则data.head(10)

data.tail():返回data的后几行数据，默认为后五行，需要后十行则data.tail(10)

2.1.1 加载训练数据

代码

train_data = pd.read_csv("/kaggle/input/titanic/train.csv")
train_data.head()

输出结果

2.1.2 加载测试数据

代码

test_data = pd.read_csv("/kaggle/input/titanic/test.csv")
test_data.head()

结果

2.2 数据分析

记住我们的目标：我们希望在train.csv中找到规律，帮助我们预测test.csv中的乘客是否幸存。
当有这么多数据需要排序时，最初寻找规律可能会让人感到不知所措。所以，我们从简单开始。
请记住，gender_submission.csv中的样本提交文件假设所有女性乘客幸存（所有男性乘客死亡）。
这是一个合理的初步猜测吗？我们将检查这个猜测在数据中是否成立（在train.csv中）。
将下面的代码复制到新的代码单元格中。然后，运行单元格。
代码
（计算女性幸存率）

women = train_data.loc[train_data.Sex == 'female']["Survived"]
rate_women = sum(women)/len(women)print("% of women who survived:", rate_women)

结果

% of women who survived: 0.7420382165605095

（计算男性幸存率）

men = train_data.loc[train_data.Sex == 'male']["Survived"]
rate_men = sum(men)/len(men)print("% of men who survived:", rate_men)

结果

% of men who survived: 0.18890814558058924

上面的代码计算了幸存的男性乘客（在火车.csv中）的百分比。
从中可以看出，船上几乎75%的女性幸存下来，而只有19%的男性活了下来。由于性别似乎是生存的有力指标，gender_submission.csv中的提交文件并不是一个糟糕的第一猜测！
但归根结底，这份基于性别的报告的预测只基于一个专栏。正如你所能想象的，通过考虑多列，我们可以发现更复杂的模式，这些模式可能会产生更明智的预测。由于同时考虑几个列是非常困难的（或者，同时考虑许多不同列中的所有可能模式需要很长时间），我们将使用机器学习来实现自动化。

2.3 模型建立与预测

我们将建立一个所谓的随机森林模型。该模型由几棵“树”组成（下图中有三棵树，但我们将构建100棵！），它们将单独考虑每位乘客的数据，并投票决定乘客是否幸存。然后，随机森林模型做出一个民主的决定：得票最多的结果获胜！
下面的代码单元在数据的四个不同列（“Pclass”、“Sex”、“SibSp”和“Parch”）中查找模式。它根据train.csv文件中的模式在随机森林模型中构建树，然后在test.csv中为乘客生成预测。该代码还将这些新预测保存在csv文件submission.csv中。
将此代码复制到您的笔记本中，并在新的代码格中运行。

from sklearn.ensemble import RandomForestClassifiery = train_data["Survived"]features = ["Pclass", "Sex", "SibSp", "Parch"]
X = pd.get_dummies(train_data[features])
X_test = pd.get_dummies(test_data[features])model = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=1)
model.fit(X, y)
predictions = model.predict(X_test)output = pd.DataFrame({'PassengerId': test_data.PassengerId, 'Survived': predictions})
output.to_csv('submission.csv', index=False)
print("Your submission was successfully saved!")

运行结果

Your submission was successfully saved!

可以看到，在Outpu文件夹下生成了submission.csv

3.结果提交

提交后在右边可看到最新提交的结果