泰坦尼克號-數據挖掘項目實戰
一，典型課題研究 建立一個預測模型來回答以下問題：“什么樣的人更有可能生存？ 二，數據 1，數據源：https://www.kaggle.com/c/titanic 2，用到的庫： Numpy-科學計算庫 主要用來做矩陣運算，什么？你不知道 ...
原文：數據挖掘案例分析-泰坦尼克號數據
一 數據挖掘流程介紹 .數據讀取 讀取數據 統計指標 數據規模 .數據探索 特征理解 單特征的分析，諸個變量分析對結果y的影響 x,y的相關性 多變量分析 x,y之間的相關性 統計繪圖 .數據清洗和預處理 缺失值填充 標准化 歸一化 特征工程 篩選有價值的特征 分析特征之間的相關性 .建模 特征數據的准備和標簽 數據集的切分 多種模型對比：交叉驗證 調參 學習曲線，網格搜索 集成算法 提升算法 X ...
2019-09-24 13:22 0 954 推薦指數：
相關推薦
利用python分析泰坦尼克號數據集
。 2.2 泰坦尼克號 本次問題頁面 請到Data頁面下載數據集 數據集的各屬性在Data頁面 ...
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 ...
數據分析-kaggle泰坦尼克號生存率分析
概述 1912年4月15日，泰坦尼克號在首次航行期間撞上冰山后沉沒，2224名乘客和機組人員中有1502人遇難。沉船導致大量傷亡的原因之一是沒有足夠的救生艇給乘客和船員。雖然幸存下來有一些運氣因素，但有一些人比其他人更有可能生存，比如婦女，兒童和上層階級。在本文中將對哪些人 ...
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)，分析我們使用的feature的作用大小，進行feature selection，以及我們模型下 ...
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 ...
貝葉斯網絡python實戰（以泰坦尼克號數據集為例，pgmpy庫）
貝葉斯網絡python實戰（以泰坦尼克號數據集為例，pgmpy庫） leida_wt 2019-03-24 23:05:36 16815 收藏 140 ...