泰坦尼克号海滩幸存者状况分析

TITANIC 1997

You’re going to get out of here. You’re going to go on and you’re going to make lots of babies and you’re going to watch them grow and you’re going to die an old， an old lady， warm in your bed. Not here. Not this night. Not like this.

你一定会脱险的，你要活下去，生很多孩子，看着他们长大。你会安享晚年，安息在温暖的床上，而不是今晚在这里，不是像这样的死去。

2018 · 8 · 北京

泰坦尼克号海滩幸存者状况分析

泰坦尼克号的名单包括统计到的人员名单，包括人员的ID，是否幸存，仓位（1,2,3以及无座），姓名，性别，年龄等信息，截图如下：

本文将用Python对此样本数据进行一些简单的处理及应用。

首先用Spyder载入了泰坦尼克号的CSV数据文件，并打印了一下列名与样本个体数

result:

从数据上并不能看出性别年龄等特征与是否幸存的关系。现在利用透视表查看仓位等级、性别与存活率的关系：

result:

这里发现仓位等级越高存活率越大，并且女性的存活率要远高于男性。接下来利用绘图工具matplot的柱形图简单统计了一下年龄与存活率的关系：

从图中可以看出，小于五岁的孩子存活率最高，15岁的次之。而大于60岁的存活率最低。

之后来看一下家庭成员数与存活率的关系：

发现家庭成员数与存活率是有关系的。

所以从以上分析得出结论，存活率与年龄，性别，仓位等级有一定联系。接下来，就利用Python库中的随机森林模型对样本进行分析:

要做的事情第一步是处理缺失值，以保证它对结果没有影响：

可以用年龄的中间值填补空行，或者直接剔除年龄空值。如果样本量非常巨大，那么少量地删除个体对结果的影响是非常小的。

由于Python库处理数值比较方便，所以这里将男女表示为1和0

声明特性列名

随机森林分类器

随机森林是由多个决策树组成，决策树是根据各个特性对结果的影响从大到小排列，逐一排查并最终确定最终结果。

例如在这里，对是否存活影响最大的因素为性别，那么建立的决策树的根节点就会判断此人是男人还是女人。之后再根据其他因素最终得出是否幸存。

但是决策树并不是分支越多越好，这样会导致叶子节点的个体个数过少，导致过拟合。所以在建立决策树时，会根据不同情况对决策树进行限制，例如限制节点深度、限制叶子节点的个数、叶子节点的最少样本数等。

在这里，随机森林就是由多个决策树组成。他可以自动给出哪些特性比较重要，并且删除对结果没有影响或者影响极小的特性（对特性加噪并检验对结果影响大小）。

此处声明一个随机森林模型：

-random_state为随机种子，便于以后生成相同的随机数

-n_estimators为决策树个数

-min_samples_split为分割内部节点所需要的最小样本数量

-min_samples_leaf为节点最小叶子数这里有大神为随机森林参数的详细介绍：

接下来声明交叉验证：

交叉验证会将训练样本分为多份（这里n_fold=5），它将会用1,2,3,4来预测5并用5检验；用1,2,3,5来预测4并用4检验…

交叉验证可以减少数据中缺失值或不准确值对结果的影响。

-train.shape[0]为观察样本个数

-n_folds为交叉个数

-shuffle为是否打乱数据

接下来看一下交叉验证的结果如何：

所以模型的预测成功率只有0.77，对于一个二分类问题并不是一个好的预测成功率。

为了得到一个更好的预测，我将模型的参数重新设置为n_estimators=100,min_samples_split=3,min_samples_leaf=2

用修改后的模型进行预测，计算准确率

用混淆矩阵查看预测情况：

结果为：

0.822的预测效果一般，但是在对原始数据加强分析、加入更多特征、加入更多数据后，模型会有更高的准确率。

码龙社

一个有趣，有料，专注于技术交流，以技术会友的公众号，入群公众号后台恢复jq.