Python 机器学习之泰坦尼克号获救预测（一） 初级版

数据集下载地址：

https://github.com/fayduan/Kaggle_Titanic/blob/master/train.csv

视频地址：

http://study.163.com/course/courseLearn.htm?courseId=1003551009#/learn/video?lessonId=1004052093&courseId=1003551009

一、项目概要

1、应用

模式识别、数据挖掘（核心）、统计学习、计算机视觉、语言识别、自然语言处理

2、模式、流程

训练样本 --> 特征提取 --> 学习函数 --> 预测

二、Python实践

1、应用的模块

Numpy：科学计算库

pandas：数据分析处理库

Matplotlib：数据可视化库

Scikit-learn：机器学习库

2、数据源处理

① 导入数据：

#coding: utf-8
 import pandas
 titanic = pandas.read_csv('train.csv')

② 对缺失数据的列进行填充：

#对于缺失的数据进行补充 median 填充中位数
 titanic['Age'] = titanic['Age'].fillna(titanic['Age'].median())

③ 属性转换，把某些列的字符串值转为数字项：

1 print titanic['Sex'].unique()
2 titanic.loc[titanic['Sex'] == 'male','Sex'] = 0
3 titanic.loc[titanic['Sex'] == 'female','Sex'] = 1
4 
5 print titanic['Embarked'].unique()
6 titanic['Embarked'] = titanic['Embarked'].fillna('S')
7 titanic.loc[titanic['Embarked'] == 'S','Embarked'] = 0
8 titanic.loc[titanic['Embarked'] == 'C','Embarked'] = 1
9 titanic.loc[titanic['Embarked'] == 'Q','Embarked'] = 2

3、建立模型

① 引入机器学习库，核心

from sklearn.linear_model import LinearRegression  #分类算法 线性回归
 from sklearn.cross_validation import KFold   #交叉验证库，将测试集进行切分验证取平均值

② 实例化模型

predictors = ['Pclass','Sex','Age','SibSp','Parch','Fare','Embarked']   #用到的特征
 alg = LinearRegression() #线性回归模型实例化对象
 kf = KFold(titanic.shape[0],n_folds=3,random_state=1) #将m个平均分成3份进行交叉验证

③ 把数据传入模型 预测结果

predictions = []
 #for循环： 训练集、测试集、交叉验证
 for train, test in kf:
     #print train
     #print test
     train_predictors = (titanic[predictors].iloc[train,:]) #将predictors作为测试特征
     #print train_predictors
     train_target = titanic['Survived'].iloc[train]
     #print train_target
     alg.fit(train_predictors,train_target)  #构建线性模型 样本的x（训练数据） 样本的y（标签值）
     test_prediction = alg.predict(titanic[predictors].iloc[test,:]) #预测结果值
     predictions.append(test_prediction)

4、算法概率计算

1 import numpy as np
2 #使用线性回归得到的结果是在区间【0，1】上的某个值，需要将该值转换成0或1
3 predictions = np.concatenate(predictions, axis=0)
4 predictions[predictions >.5] = 1
5 predictions[predictions <=.5] = 0
6 accury = sum(predictions[predictions == titanic['Survived']]) / len(predictions) #测试准确率 进行模型评估
7 print accury #精度值

5、集成算法 构造多个分类树

① 构造多个分类器

from sklearn.linear_model import LogisticRegression #逻辑回归
 from sklearn import cross_validation
 alg = LogisticRegression(random_state=1)
 scores = cross_validation.cross_val_score(alg, titanic[predictors],titanic['Survived'],cv=3)
 print scores.mean()

② 随机森林

from sklearn.ensemble import RandomForestClassifier
 from sklearn import cross_validation
 predictions = ['Pclass','Sex','Age','SibSp','Parch','Fare','Embarked']
 # Initialize our algorithm with the default paramters
 # random_state = 1 表示此处代码多运行几次得到的随机值都是一样的，如果不设置，两次执行的随机值是不一样的
 # n_estimators  指定有多少颗决策树，树的分裂的条件是:
 # min_samples_split 代表样本不停的分裂，某一个节点上的样本如果只有2个了 ，就不再继续分裂了
 # min_samples_leaf 是控制叶子节点的最小个数
 alg = RandomForestClassifier(random_state=1,n_estimators=100,min_samples_split=4,min_samples_leaf=2)
 #进行交叉验证
 kf = cross_validation.KFold(titanic.shape[0],n_folds=3,random_state=1)
 scores = cross_validation.cross_val_score(alg,titanic[predictors],titanic['Survived'],cv=kf)
 print scores.mean()

6、特征提取

# ## 关于特征提取问题 (非常关键)
 # - 尽可能多的提取特征
 # - 看不同特征的效果
 # - 特征提取是数据挖掘里很- 要的一部分
 # - 以上使用的特征都是数据里已经有的了，在真实的数据挖掘里我们常常没有合适的特征，需要我们自己取提取
 ① 把多个特征组合成一个特征
 titanic['Familysize'] = titanic['SibSp'] + titanic['Parch'] #家庭总共多少人
 titanic['NameLength'] = titanic['Name'].apply(lambda x: len(x)) #名字的长度
 import re
 
 def get_title(name):
     title_reserch = re.search('([A-Za-z]+)\.',name)
     if title_reserch:
         return title_reserch.group(1)
     return ""
 titles = titanic['Name'].apply(get_title)
 #print pandas.value_counts(titles)
 
 #将称号转换成数值表示
 title_mapping = {"Mr":1,"Miss":2,"Mrs":3,"Master":4,"Dr":5,"Rev":6,"Col":7,"Major":8,"Mlle":9,"Countess":10,"Ms":11,"Lady":12,"Jonkheer":13,"Don":14,"Mme":15,"Capt":16,"Sir":17}
 for k,v in title_mapping.items():
     titles[titles==k] = v
     #print (pandas.value_counts(titles))
 titanic["titles"] = titles #添加title特征

② 进行特征选择

# 进行特征选择
 # 特征重要性分析
 # 分析 不同特征对 最终结果的影响
 # 例如 衡量age列的重要程度时，什么也不干，得到一个错误率error1，
 # 加入一些噪音数据，替换原来的值(注意，此时其他列的数据不变)，又得到一个一个错误率error2
 # 两个错误率的差值 可以体现这一个特征的重要性
 import numpy as np
 from sklearn.feature_selection import SelectKBest,f_classif#引入feature_selection看每一个特征的重要程度
 import matplotlib.pyplot as plt
 
 predictors = ['Pclass','Sex','Age','SibSp','Parch','Fare','Embarked','Familysize','NameLength','titles']
 selector = SelectKBest(f_classif,k=5)
 selector.fit(titanic[predictors],titanic['Survived'])
 scores = -np.log10(selector.pvalues_)

③用视图的方式展示

plt.bar(range(len(predictors)),scores)
 plt.xticks(range(len(predictors)),predictors,rotation='vertical')
 plt.show()

7、集成分类器

1 # 在竞赛中常用的耍赖的办法:集成多种算法，取最后每种算法的平均值，来减少过拟合
 2 from sklearn.ensemble import GradientBoostingClassifier
 3 import numpy as np
 4 # GradientBoostingClassifier也是一种随机森林的算法，可以集成多个弱分类器，然后变成强分类器
 5 algorithas = [
 6         [GradientBoostingClassifier(random_state=1,n_estimators=25,max_depth=3),['Pclass','Sex','Age','SibSp','Parch','Fare','Embarked','Familysize','NameLength','titles']],
 7         [LogisticRegression(random_state=1),['Pclass','Sex','Age','SibSp','Parch','Fare','Embarked','Familysize','NameLength','titles']]
 8         ]
 9 kf = KFold(titanic.shape[0],n_folds=3,random_state=1)
10 predictions = []
11 for train, test in kf:
12    train_target = titanic['Survived'].iloc[train]
13    full_test_predictions = []
14    for alg,predictors in algorithas:
15        alg.fit(titanic[predictors].iloc[train,:],train_target)
16        test_prediction = alg.predict_proba(titanic[predictors].iloc[test,:].astype(float))[:,1]
17        full_test_predictions.append(test_prediction)
18    test_predictions = (full_test_predictions[0] + full_test_predictions[1]) / 2
19    test_predictions[test_predictions >.5] = 1
20    test_predictions[test_predictions <=.5] = 0
21    predictions.append(test_predictions)
22 predictions = np.concatenate(predictions,axis=0)
23 accury = sum(predictions[predictions == titanic['Survived']]) / len(predictions)#测试准确率
24 print accury