機器學習之泰坦尼克號遇難預測
思路：
一、資料預處理
1、資料讀取
2、可以用data.head（）來顯示資料的前幾行，date.info（）來顯示資料的資訊
3、缺失值的處理
4、挑選特徵
5、分離特徵和標籤
二、train
1、選取模型（可以先簡單後複雜，如果兩個模型效果差不多，簡單的節約時間）
2、超引數的選擇（交叉驗證），可以用網格搜尋（GridSearchCV）更快
3、確定模型並預測
相關推薦
機器學習之泰坦尼克號遇難預測
思路： 一、資料預處理 1、資料讀取 2、可以用data.head（）來顯示資料的前幾行，date.info（）來顯示資料的資訊 3、缺失值的處理 4、挑選特徵 5、分離特徵和標籤 二、train 1、選取模型（可以先簡單後複雜，如果兩個模型效果差不多，簡單的節約時間
機器學習 （十七）kaggle競賽之泰坦尼克號專案實戰-2
導航 想寫這篇部落格的由衷是做完幾個專案，有時對於圖的畫法和模型融合演算法原理理解還很膚淺，特此加深一下印象。 內容概覽 圖 pandas、matplotlib、seaborn 餅圖 直方圖
機器學習 （八）kaggle競賽之泰坦尼克號專案實戰-1
引言 機器學習演算法都是為專案為資料服務的，某一個演算法都有它自己的適用範圍，以及優勢與劣勢，研究演算法由於平日的日常操練，那麼用它去做專案就如同上戰場殺敵一樣，去發揮它的價值，kaggle就是這樣一個刷怪升級
機器學習--決策樹及泰坦尼克號生存預測
決策樹是一個類似於流程圖的樹結構，分支節點表示對一個特徵進行測試，根據測試結果進行分類，樹葉節點代表一個類別。 要判斷從哪個特徵進行分裂，就要對資訊進行量化，量化的方式有： ID3: 資訊增益 條件熵： 其中pi=P(X=xi)，X,Y代表了兩個事件，而它們之間有
機器學習專案實戰----泰坦尼克號獲救預測(一)
一、任務基礎 泰坦尼克號沉沒是歷史上最著名的沉船事故之一。1912年4月15日，在她的處女航中，泰坦尼克號在與冰山相撞後沉沒，在2224名乘客和機組人員中造成1502人死亡。這場聳人聽聞的悲劇震驚了國際社會，併為船舶制定了更好的安全規定。造成海難失事的原因之一是乘客和機組人員沒有足夠的救生艇。儘管倖存下沉有
機器學習專案實戰----泰坦尼克號獲救預測(二)
四、特徵重要性衡量 通過上面可以發現準確率有小幅提升，但是似乎得到的結果還是不太理想。我們可以發現模型似乎優化的差不多了，使用的特徵似乎也已經使用完了。準確率已經達到了瓶頸，但是如果我們還想提高精度的話，還是要回到最原始的資料集裡面。對分類器的結果最大的影響還是輸入的資料本身。接下來採用的方法一般是從原始的
資料分析之泰坦尼克號案例
泰坦尼克號資料處理 【1】 實驗目錄 1 解釋步驟 2 處理資料 3 資料視覺化 4 修改資料 5 訓練模型 【2】 實驗步驟 1 解釋步驟 * 識別和定義問題 * 獲取訓練和測試資料 * 質疑，準備，清理資料 * 分析，識別模式並探索
泰坦尼克號生存預測（python）
scores k近鄰 ace gbdt dom png 記錄 inline sse 1 數據探索 對數據進行一個整體的理解 1.1 查看數據都有一些什麽特征 import pandas as pd import seaborn as sns %matplotlib inl
tensorflow實現泰坦尼克號生存率預測（邏輯迴歸）
目錄 1 邏輯迴歸介紹 其實我們可以把邏輯迴歸當成只有一層的神經網路。關於邏輯迴歸的具體知識可以參考我的上一邊部落格，地址：https://mp.csdn.net/postedit/82929291。使用交叉熵損失函式
二分類問題（泰坦尼克號獲救預測）
# -*- coding: utf-8 -*- # @Time : 2018/12/13 10:46 # @Author : WenZhao # @Email : [email protected] # @File : tt.py # @Software: PyCha
kaggle初探--泰坦尼克號生存預測
繼續學習資料探勘，嘗試了kaggle上的泰坦尼克號生存預測。 Titanic for Machine Learning 匯入和讀取 # data processing import numpy as np import pandas as pd impor
決策樹－泰坦尼克號生還預測
row.names pclass survived \ 0 1 1st 1 1 2 1st 0 2 3 1st 0 3 4 1st 0 4
Kaggle專案案例分析 泰坦尼克號生存預測
一、資料來源及說明 1.1 資料來源 來自Kaggle的非常經典資料專案 Titanic：Machine Learning1.2 資料說明 資料包含train.csv 和test.csv 兩個檔案資料集，一個訓練用，一個測試用。train文件資料是用來分析和建模，包含泰
kaggle——泰坦尼克號生死預測
把很久以前做的泰坦尼克號的程式碼貼出來。 # -*- coding: utf-8 -*- """ Created on Fri Mar 30 14:23:12 2017 @author: Yichengfan """ import pandas as pd
泰坦尼克號生存預測（二）-- 特徵分析
5. 特徵再分析 對處理過的資料再分析 train[['Survived','Pclass','Sex','Age_level','Fare_log','Embarked','Familysize','isAlone','Has_Cabin','Title']].grou
kaggle 泰坦尼克號生存預測——六種演算法模型實現與比較
Hi，大家好，這是我第一篇部落格。 作為非專業程式小白，部落格內容必然有不少錯誤之處，還望各位大神多多批評指正。 在開始正式內容想先介紹下自己和一些異想天開的想法。 我是一名研究生，研究的方向是蛋白質結構與功能方向。在研究過程中發現生物系統是如此複雜，猶如一張網，資訊流動，
Kaggle: 泰坦尼克號生存預測
0.前言 本文對Kaggle泰坦尼克比賽的訓練集和測試集進行分析,並對乘客的生存結果進行了預測.作為資料探勘的入門專案,本人將思路記錄下來,以供參考.如有不足之處,歡迎指正. 1.匯入資料 import pandas as pd import n
泰坦尼克號生存預測 (Logistic and KNN)
從Kaggle官網下載資料：train 、test。 賽事描述： 泰坦尼克號的沉沒是歷史上最臭名昭著的沉船之一。1912年4月15日，泰坦尼克號在處女航時與冰山相撞沉沒，2224名乘客和船員中有1502人遇難。這一聳人聽聞的悲劇震驚了國際社會，並導致更好的
Kaggle入門——泰坦尼克號生還者預測
前言 這個是Kaggle比賽中泰坦尼克號生存率的分析。強烈建議在做這個比賽的時候，再看一遍電源《泰坦尼克號》，可能會給你一些啟發，比如婦女兒童先上船等。所以是否獲救其實並非隨機，而是基於一些背景有先後順序的。 1，背景介紹 1912年4月15日，載著1316號乘客和891名船員的豪華巨輪泰坦尼克號在首
【決策樹】泰坦尼克號倖存者預測專案
專案目標 泰坦尼克號的沉沒是歷史上最著名的還難事件之一，在船上的2224名乘客和機組人員中，共造成1502人死亡。本次專案的目標是運用機器學習工具來預測哪些乘客能夠倖免於難。 專案過程 匯入並探索資料 處理缺失值，刪除與預測無關的特徵 將分類變數轉換為數值型變數 例項化模型並進行交叉驗證 模型預