使用决策树模型预测泰坦尼克号乘客的生还情况

泰坦尼克号乘客数据查验

# 导入pandas用于数据分析
import pandas as pd
# 利用pandas的read_csv模块直接从互联网收集泰坦尼克乘客数据
titanic = pd.read_csv('http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt')

# 观察前几行数据，可以发现，数据种类各异，数值型，类别性，甚至还有缺失数据
# print(titanic.head())
# 使用pandas，数据都转入pandas独有的dataframe格式（二维数据表格），直接使用Info()，查看数据的统计特性
print(titanic.info())

使用决策树模型预测泰坦尼克号乘客的生还情况

# 机器学习有一个不太被初学者重视并且耗时，但是十分重要的一环-特征的选择，这个需要基于一些背景知识，根据我们队这场事故的了解，sex,age,pclass
# 这些特征都很有可能是决定幸免与否的关键因素
X = titanic[['pclass', 'age', 'sex']]
y = titanic['survived']

# 对当前选择的特征进行探查
print(X.info())


# 借由上面的输出,我们设计如下几个数据处理的任务
# age这个数据列,只有633个,需要补充
# sex与pclass两个数据列的值都是类别型的,需要转化为数值特征,用0/1代替
# 首先我们补充age里的数据,使用平均数或者中位数都是对模型偏离造成最小影响的策略
X['age'].fillna(X['age'].mean(), inplace=True)

# 对补充完的数据重新探查
print(X.info())

# 由此得知,age特征得到了补充


# 数据分割
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=33)

# 使用sklearn.feature_extraction中的特征转换器
from sklearn.feature_extraction import DictVectorizer
vec = DictVectorizer(sparse=False)

# 转换特征后,我们发现凡是类别型的特征都单独剥离出来,独成一列特征,数值型的则保持不变
X_train = vec.fit_transform(X_train.to_dict(orient='record'))
print vec.feature_names_

# 同样需要对测试数据的特征进行转换
X_test = vec.transform(X_test.to_dict(orient='record'))

# 从sklearn.tree中导入决策树分类器
from sklearn.tree import DecisionTreeClassifier
# 使用默认配置初始化决策树分类器
dtc = DecisionTreeClassifier()
# 使用分割到的训练数据进行模型学习
dtc.fit(X_train, y_train)
# 用训练好的决策树模型对测试特征数据进行预测
y_predict = dtc.predict(X_test)

决策树模型对泰坦尼克号乘客是否生还的预测性能

# 从sklearn.metrics导入classfication_report
from sklearn.metrics import classification_report
# 输出预测准确性
print dtc.score(X_test, y_test)
# 输出更加详细的分类性能
print classification_report(y_predict, y_test, target_names=['died', 'survived'])

输出结果

注意事项

记得联网,因为要下载数据集