Titantic生还预测（一）

泰坦尼克号（RMS Titanic），又译作铁达尼号，是当时世界上体积最庞大、内部设施最豪华的客运轮船，有“永不沉没”的美誉 。1912年4月10日，她从英国南安普敦出发，驶往美国纽约。然而首次处女航行中，泰坦尼克号就不幸与一座冰山相撞，1912年4月15日凌晨2时20分左右，泰坦尼克船体断裂成两截，永久沉入大西洋底3700米处，2224名船员及乘客中，逾1500人丧生。泰坦尼克号沉没事故为和平时期死伤人数最惨重的海难之一，其残骸直至1985年才被再度发现。

泰坦尼克号被称为“世界工业史上的奇迹”，而以此事件为背景，在1998年在中国大陆上映的《泰坦尼克号》更是成为电影史上的传奇，由詹姆斯·卡梅隆执导，莱昂纳多·迪卡普里奥、凯特·温斯莱特领衔主演。虽然泰坦尼克号已沉没106年，电影也已上映20年，但每当主题曲my heart will go on中悠扬的苏格兰风笛声响起时，每个人都会再次被带回那艘奥林匹克级的豪华邮轮。

而在机器学习领域，著名的数据科学竞赛平台kaggle的入门经典也是以泰坦尼克号事件为背景。（https://www.kaggle.com/c/titanic）。

该问题通过训练数据（train.csv）给出891名乘客的基本信息以及生还情况，通过训练数据生成合适的模型，并根据另外418名乘客的基本信息（test.csv）预测其生还情况，并将生还情况以要求的格式（gender_submission.csv）提交，kaggle会根据你的提交情况给出评分与排名。

这是一个典型的二分类问题，下面通过处理数据、模型训练、评估、预测四个步骤形成一个Base Model。

1. 数据处理

（1）探索数据

用pandas读取train.csv

加载完成后可查看数据：

数据共有11个字段，每个字段含义如下，其中Age有714个非空值，而Cabin仅有204个非空值。

（2）特征工程

特征工程（Feature Engineering）极其重要，直接影响到模型效果。实际中，特征工程很多时候是依赖业务经验的。在此，我们先根据经验选择数据的特征，比如在影片逃生片段中的lady and kid first，说明是否生可能与性别（Sex）、年龄（Age）紧密相关；客舱号（Cabin）由于缺失值太多，不选择作为特征。与另外再选择船舱等级（Pclass）、票价（Fare）、登船港口（Embark）作为特征（后续将专门针对特征选择进行讲解）。

2. 模型训练

使用决策树模型完成Base model的进行训练：

3. 评估

使用准确率和混淆矩阵进行评估：

4. 预测

加载test.csv文件，并进行预测：

最后在Kaggle页面点击Submit Predictions就提交结果文件，Kaggle会给出准确率和排名。

数据及代码：https://pan.baidu.com/s/1msA8k6sJ7KsK-nl2kEE9Nw