泰坦尼克號生存預(yù)測分析
（一）提出問題
什么樣的人在泰坦尼克號中更容易存活？
（二）理解數(shù)據(jù)
1.導(dǎo)入數(shù)據(jù)，為了方便同時(shí)對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進(jìn)行清洗，需要將兩個(gè)數(shù)據(jù)集合并
2.查看數(shù)據(jù)集信息
數(shù)據(jù)集由12個(gè)字段構(gòu)成，12個(gè)字段的含義如圖：
數(shù)據(jù)總共有1309行，Survived是標(biāo)簽，用作機(jī)器學(xué)習(xí)預(yù)測，無需處理。數(shù)據(jù)類型列：年齡（Age）、船艙號（Cabin）里面有缺失數(shù)據(jù)：
（1）年齡（Age）里面數(shù)據(jù)總數(shù)是1046條，缺失了263，缺失率20%；
（2）船票價(jià)格（Fare）里面數(shù)據(jù)總數(shù)是1308條，缺失了1條數(shù)據(jù)字符串列；
（3）登船港口（Embarked）里面數(shù)據(jù)總數(shù)是1307，只缺失了2條數(shù)據(jù)，缺失較少；
（4）船艙號（Cabin）里面數(shù)據(jù)總數(shù)是295，缺失了1014，缺失率77.5%，缺失較大；
（三）數(shù)據(jù)清洗
3.1缺失數(shù)據(jù)填充
登船港口缺失2個(gè)值，將其填充為出現(xiàn)次數(shù)最多的值，船艙號(Cabin)缺失值較多，將其填充為’U’
3.2特征提取
3.2.1數(shù)據(jù)分類
對于不同數(shù)據(jù)類型的特征提取方法不同，對于數(shù)值類型的數(shù)據(jù)可直接使用，對于日期數(shù)據(jù)需轉(zhuǎn)換為單獨(dú)的年、月、日，對于分類數(shù)據(jù)使用One-hot編碼方法用數(shù)字代替類別
3.2.2數(shù)值類型
乘客編號（PassengerId），年齡（Age），船票價(jià)格（Fare），同代直系親屬人數(shù)（SibSp），不同代直系親屬人數(shù)（Parch）
3.2.3分類數(shù)據(jù)
（1）.有直接類別的
乘客性別（Sex）：男性male，女性female。將性別的值映射為數(shù)值，男（male）對應(yīng)數(shù)值1，女（female）對應(yīng)數(shù)值0
登船港口（Embarked）：出發(fā)地點(diǎn)S=英國南安普頓Southampton，途徑地點(diǎn)1：C=法國?瑟堡市Cherbourg，出發(fā)地點(diǎn)2：Q=愛爾蘭?昆士敦Queenstown
客艙等級（Pclass）:1=1等艙，2=2等艙，3=3等艙
（2）字符串類型
乘客姓名（Name）在乘客名字中，有一個(gè)非常顯著的特點(diǎn)：乘客頭銜每個(gè)名字當(dāng)中都包含了具體的稱謂或者說是頭銜，將這部分信息提取出來后可以作為非常有用一個(gè)新變量，可以幫助我們進(jìn)行預(yù)測
客艙號首字母是客艙的類別
建立家庭人數(shù)和家庭類別
3.3特征選擇
相關(guān)性矩陣
特征選擇
（四）構(gòu)建模型并進(jìn)行準(zhǔn)確性評估
隨機(jī)森林模型預(yù)測，平均準(zhǔn)確率為0.79
邏輯回歸模型，平均準(zhǔn)確率為0.82
（五）得到預(yù)測結(jié)果
