阅读量:0
本次我们挑战的数据集为泰坦尼克号公共数据集,为了降低难度,我们在原有数据集的基础上进行了优化,具体数据集介绍如下:
在这里也介绍一下数据的含义吧
数据介绍:Survived:是否存活(label)
Pclass(用户阶级):1 - 1st class,高等用户;2 - 2nd class,中等用户;3 - 3rd class,低等用户;
Name(名字)
Sex(性别)
Age(年龄)
Siblings/Spouses Aboard:描述了泰坦尼克号上与乘客同行的兄弟姐妹(Siblings)和配偶(Spouse)数目;
Parents/Children Aboard:描述了泰坦尼克号上与乘客同行的家长(Parents)和孩子(Children)数目;
Fare(乘客费用)
第一步:导入必要的库
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score, classification_report
第二步:加载并分析数据
观察是否有缺失值和异常值(异常值需要根据具体的题目条件来判断),若有缺失值和异常值进行第三步数据预处理
# 加载数据集 path = "E:\\Jupyter Workspace\\数学建模\\titanic.csv" data = pd.read_csv(path) # 显示数据的前几行 data.head() # 查看数据的详细信息 data.info()
第三步:数据预处理
首先删除不必要的特征如名字(可能有用,比如有些人名在那个时代只有贵族能用或者只有穷人能用,但本体不考虑这些因素)
# 删除不需要的特征 data = data.drop(["Name"], axis=1)
若有缺失值可以进行如下操作,如用中位数填充
# 填充数值特征的缺失值 data["Age"].fillna(data["Age"].median(), inplace=True) data["Fare"].fillna(data["Fare"].median(), inplace=True)
若遇到分类变量特征,可以进行独热编码
# 对分类特征进行独热编码 data = pd.get_dummies(data, columns=["Sex"], drop_first=True)
思考一下:分类变量分类为两类的时候可以drop_first,那如果100类呢?该采用哪些方法来处理这个分类变量特征呢?
第四步:划分自变量(X)和因变量(y)
# 分割数据为特征(X)和目标(y) X = data.drop("Survived", axis=1) y = data["Survived"]
第五步:训练模型
在训练模型之前,需要将数据集划分为训练集和测试集(本题由于没有要预测的部分,就把数据集中0.2比例的验证集当做测试集进行模型的验证)
# 将数据集分割为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
在放入模型前,先对上述特征进行标准化处理(大家思考一下这个操作是为什么呢?)
# 特征标准化处理 scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test)
创建决策树模型分类器进行训练
# 创建决策树分类器并进行训练 model2 = DecisionTreeClassifier(random_state=42) model2.fit(X_train, y_train)
第六步:模型的性能指标评价
# 在测试数据上进行预测 y_pred = model2.predict(X_test) # 计算准确性 accuracy = accuracy_score(y_test, y_pred) print("模型准确性:", accuracy) # 生成分类报告 report = classification_report(y_test, y_pred) print("分类报告:\n", report)