Kaggle泰坦尼克號案例
1、數據來源 （1）數據來源 來自kaggle的數據集Titanic：Titanic: Machine Learning from Disaster train文檔數據是用來分析和建模，包含有生存情況信息；test數據是用來最終預測其生存情況並生成結果文件。 2、分析流程 （1）不同變量 ...
原文：Kaggle競賽 —— 泰坦尼克號（Titanic）
完整代碼見kaggle kernel或 GitHub 比賽頁面：https: www.kaggle.com c titanic Titanic大概是kaggle上最受歡迎的項目了，有 多支隊伍參加，多年來誕生了無數關於該比賽的經驗分享。正是由於前人們的無私奉獻，我才能無痛完成本篇。 事實上kaggle上的很多kernel都聚焦於某個特定的層面 比如提取某個不為人知的特征 使用超復雜的算法 專做E ...
2017-08-10 12:57 0 2078 推薦指數：
相關推薦
Kaggle入門——泰坦尼克號生還者預測
前言 這個是Kaggle比賽中泰坦尼克號生存率的分析。強烈建議在做這個比賽的時候，再看一遍電源《泰坦尼克號》，可能會給你一些啟發，比如婦女兒童先上船等。所以是否獲救其實並非隨機，而是基於一些背景有先后順序的。 1，背景介紹 1912年4月15日，載着1316號乘客和891名船員的豪華 ...
Kaggle泰坦尼克號生存情況預測
Kaggle 是一個流行的數據科學競賽平台 一、機器學習的基本步驟 二、提出問題 什么樣的人更容易生存？ 三、理解數據 3.1數據來源 https://www.kaggle.com/c/titanic 分為 訓練集：train.csv，891條數據 測試 ...
kaggle 泰坦尼克號問題總結
學習了機器學習這么久，第一次真正用機器學習中的方法解決一個實際問題，一步步探索，雖然最后結果不是很准確，僅僅達到了0.78647，但是真是收獲很多，為了防止以后我的記憶蟲上腦，我決定還是記錄下來好了。 ...
泰坦尼克號沉沒之謎，用數據還原真相——Titanic獲救率分析（用pyecharts）
泰坦尼克號獲救率數據分析報告，用數據揭露真相。 一，船上乘客生存率分析報告 泰坦尼克號生存率僅有38%的，可見此次事件救援不力，救生艇嚴重不足，且泰坦尼克號號撞得是冰山，海水冷，沒有救生艇，在水里凍死的乘客不少。 二，哪個年齡段存活率最高（青年人（18歲以下），中年人（18到50歲 ...
泰坦尼克號獲救問題
...
泰坦尼克號之災分析
大神經驗： 1、 應用機器學習，千萬不要一上來就試圖做到完美，先擼一個baseline的model出來，再進行后續的分析步驟，一步步提高，所謂后續步驟可能包括『分析model現在的狀態(欠/過擬合 ...
泰坦尼克號幸存預測
本次項目主要圍繞Kaggle上的比賽題目: "給出泰坦尼克號上的乘客的信息, 預測乘客是否幸存" 進行數據分析 環境 win8, python3.7, jupyter notebook 目錄 1. 項目背景 2. 數據概覽 3. 特征分析 4. 特征工程 5. 構建模型 正文 ...