泰坦尼克号-数据挖掘项目实战
一，典型课题研究 建立一个预测模型来回答以下问题：“什么样的人更有可能生存？ 二，数据 1，数据源：https://www.kaggle.com/c/titanic 2，用到的库： Numpy-科学计算库 主要用来做矩阵运算，什么？你不知道 ...
原文：数据挖掘案例分析-泰坦尼克号数据
一 数据挖掘流程介绍 .数据读取 读取数据 统计指标 数据规模 .数据探索 特征理解 单特征的分析，诸个变量分析对结果y的影响 x,y的相关性 多变量分析 x,y之间的相关性 统计绘图 .数据清洗和预处理 缺失值填充 标准化 归一化 特征工程 筛选有价值的特征 分析特征之间的相关性 .建模 特征数据的准备和标签 数据集的切分 多种模型对比：交叉验证 调参 学习曲线，网格搜索 集成算法 提升算法 X ...
2019-09-24 13:22 0 954 推荐指数：
相关推荐
利用python分析泰坦尼克号数据集
。 2.2 泰坦尼克号 本次问题页面 请到Data页面下载数据集 数据集的各属性在Data页面 ...
Kaggle泰坦尼克号案例
1、数据来源 （1）数据来源 来自kaggle的数据集Titanic：Titanic: Machine Learning from Disaster train文档数据是用来分析和建模，包含有生存情况信息；test数据是用来最终预测其生存情况并生成结果文件。 2、分析流程 （1）不同变量 ...
数据分析-kaggle泰坦尼克号生存率分析
概述 1912年4月15日，泰坦尼克号在首次航行期间撞上冰山后沉没，2224名乘客和机组人员中有1502人遇难。沉船导致大量伤亡的原因之一是没有足够的救生艇给乘客和船员。虽然幸存下来有一些运气因素，但有一些人比其他人更有可能生存，比如妇女，儿童和上层阶级。在本文中将对哪些人 ...
泰坦尼克号之灾分析
大神经验： 1、 应用机器学习，千万不要一上来就试图做到完美，先撸一个baseline的model出来，再进行后续的分析步骤，一步步提高，所谓后续步骤可能包括『分析model现在的状态(欠/过拟合)，分析我们使用的feature的作用大小，进行feature selection，以及我们模型下 ...
泰坦尼克号沉没之谜，用数据还原真相——Titanic获救率分析（用pyecharts）
泰坦尼克号获救率数据分析报告，用数据揭露真相。 一，船上乘客生存率分析报告 泰坦尼克号生存率仅有38%的，可见此次事件救援不力，救生艇严重不足，且泰坦尼克号号撞得是冰山，海水冷，没有救生艇，在水里冻死的乘客不少。 二，哪个年龄段存活率最高（青年人（18岁以下），中年人（18到50岁 ...
贝叶斯网络python实战（以泰坦尼克号数据集为例，pgmpy库）
贝叶斯网络python实战（以泰坦尼克号数据集为例，pgmpy库） leida_wt 2019-03-24 23:05:36 16815 收藏 140 ...