用 Python 分析泰坦尼克号乘客的生存率（第二版）

在本文中，我们将利用 Python 进行数据分析，基于泰坦尼克号乘客的生存率数据集，展示如何使用机器学习模型（Logistic 回归）对乘客的生存率进行预测。

数据准备

首先，我们需要加载训练数据集和测试数据集。这些数据集包含乘客的各项信息，包括：

PassengerId：乘客编号

Survived：1 表示生存，0 表示不生存

Pclass：乘客等级（1、2、3）

Name：乘客姓名

Sex：性别

Age：年龄

SibSp：兄弟姐妹数量

Parch：父母或孩子数量

Ticket：车票号码

Fare：票价

Cabin：舱位编号

Embarked：登船港口

import pandas as pd# 加载训练数据集train = pd.read_csv('C:/data/titanic/train.csv')test = pd.read_csv('C:/data/titanic/test.csv')

观察数据表中发现，Age 列存在较多缺失值。为了解决这个问题，我们可以使用训练数据集的中位数来填补缺失值：

impute_value = train['Age'].median()train['Age'] = train['Age'].fillna(impute_value)test['Age'] = test['Age'].fillna(impute_value)

接下来，我们对 Sex 列进行编码，将其转换为分类变量 IsFemale：

train['IsFemale'] = (train['Sex'] == 'female').astype(int)test['IsFemale'] = (test['Sex'] == 'female').astype(int)

定义预测变量：

predictors = ['Pclass', 'IsFemale', 'Age']X_train = train[predictors].valuesX_test = test[predictors].valuesy_train = train['Survived'].values

模型构建与训练

我们将使用 scikit-learn 的 Logistic 回归模型来进行预测。首先创建模型实例：

from sklearn.linear_model import LogisticRegressionmodel = LogisticRegression()model.fit(X_train, y_train)

模型评估

接下来，我们对测试数据集进行预测：

y_predict = model.predict(X_test)

为了评估模型性能，我们可以计算训练集和测试集上的准确率：

from sklearn.metrics import accuracy_scoretrain_accuracy = accuracy_score(y_train, model.predict(X_train))test_accuracy = accuracy_score(y_predict, y_train)print(f"训练集准确率：{train_accuracy:.4f}")print(f"测试集准确率：{test_accuracy:.4f}")

输出结果如下：

训练集准确率：0.7723测试集准确率：0.8027

交叉验证优化

为了进一步优化模型参数，我们可以使用交叉验证。例如，可以通过网格搜索来确定最佳的正则化参数 C：

from sklearn.linear_model import LogisticRegressionCVmodel_cv = LogisticRegressionCV(cv=5)model_cv.fit(X_train, y_train)

此外，使用 cross_val_score 函数可以对模型的表现进行交叉验证评估：

from sklearn.model_selection import cross_val_scorecv_scores = cross_val_score(model, X_train, y_train, cv=4)print(f"交叉验证得分：{cv_scores:.4f}")

输出结果如下：

交叉验证得分：0.7703

结论

通过以上步骤，我们成功利用 Logistic 回归模型对泰坦尼克号乘客的生存率进行了预测。模型在训练集和测试集上的性能表现良好，准确率分别为 77.23% 和 80.27%。通过交叉验证优化，我们可以进一步提高模型的泛化能力。

如果需要更高的准确率，可以尝试调整模型参数（如正则化参数 C）或引入更复杂的模型结构（如随机森林、XGBoost 等）。

转载地址：http://dnrg.baihongyu.com/

你可能感兴趣的文章

NumPy 或 Pandas:将数组类型保持为整数，同时具有 NaN 值