泰坦尼克号船员获救预测

泰坦尼克号船员获救预测 第一步导入各种包 import numpy as np import pandas as pd import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 import seaborn as sns from sklearn import datasets from sklearn import impute from sklearn.preprocessing import StandardScaler ,PolynomialFeatures #导入预处理 在"泰坦尼克号船员获救预测"这个任务中，我们主要关注的是利用机器学习技术预测泰坦尼克号上船员的生存情况。在这个过程中，我们首先会涉及到数据预处理、特征工程以及多种机器学习模型的选择和评估。 1. **数据预处理**： - **导入库**: 使用Python中的`numpy`, `pandas`, `matplotlib`, `seaborn`, `sklearn`等库进行数据处理和可视化。 - **字体设置**: `plt.rcParams['font.sans-serif']=['SimHei']`确保中文标签正常显示。 - **预处理库**: `StandardScaler`用于特征标准化，`PolynomialFeatures`用于创建多项式和交互特征，`PCA`用于主成分分析以减少特征维度。 - **缺失值处理**: 使用`SimpleImputer`和`KNNImputer`进行缺失值填充，`SimpleImputer`可使用平均值、中位数或众数策略，而`KNNImputer`则根据邻居的值来填充缺失值。 2. **数据加载**： - 使用`pd.read_csv`读取训练集和测试集数据，并对`y_true`（实际生存结果）进行加载。 - 缺失值处理函数的定义，方便在训练集和测试集上应用相同的处理策略。 3. **特征工程**： - 可能包括对原始数据进行编码、创建新特征（如年龄的中位数填充，性别的一二元编码等）、选择与生存相关的特征等步骤。 4. **模型选择与评估**： - **模型选择**: 使用了多种分类模型，如逻辑回归 (`LogisticRegression`), 随机森林分类器 (`RandomForestClassifier`), KNN分类器 (`KNeighborsClassifier`), 支持向量机 (`SVM`), 高斯贝叶斯 (`GaussianNB`)。 - **交叉验证**: 使用`KFold`进行K折交叉验证，以评估模型的泛化能力。 - **模型调优**: 使用`GridSearchCV`进行参数网格搜索，寻找最优模型参数。 - **模型评估**: 使用`roc_curve`绘制ROC曲线，计算`roc_auc_score`以评估模型的AUC值，`accuracy_score`衡量模型的准确率，`classification_report`展示模型性能指标，`confusion_matrix`生成混淆矩阵，`make_scorer`定义自定义评分函数。 5. **流水线构建**： - 使用`Pipeline`或`make_pipeline`构建数据预处理和模型训练的流水线，使得整个流程可以被封装和重复使用。 6. **模型预测**： - 在训练好模型后，使用测试集数据进行预测，生成最终的结果提交。 在这个项目中，通过以上步骤，我们将构建一个机器学习模型，该模型能够基于泰坦尼克号乘客的数据预测他们在灾难中的生存情况。通过对数据的深入理解和模型的精细调整，我们可以提高预测的准确性，从而更好地理解在泰坦尼克号沉船事件中哪些因素可能影响船员的存活概率。