kaggle入门项目:Titanic存亡预测 (一)比赛简介

时间:2020-12-20 16:00:47

自从入了数据挖掘的坑,就在不停的看视频刷书,但是总觉得实在太过抽象,在结束了coursera上Andrew Ng 教授的机器学习课程还有刷完一整本集体智慧编程后更加迷茫了,所以需要一个实践项目来扎实之前所学的知识。于是就参考kaggle上的starter项目Titanic,并选取了kernel中的一篇较为祥尽的指南,从头到尾实现了一遍。因为kaggle入门赛相关方面的参考和指导非常少,因此写博给需要学习的同学做个小参考,也记录下数据挖掘的学习历程。新手上路,如果博文有误或缺失,还希望各位大神指正。

研究机器学习,AI,算法,计算机视觉,数据挖掘等相关领域,那么没有什么是比打比赛更能证明自己的实力了。国内的竞赛平台有名的就是阿里的天池,腾讯、京东也有类似的比赛,但是如果新手入门还是推荐kaggle,kaggle上的每个比赛都有kernel,很多工程师会发布比赛相关的指导和解题方法,唯一需要的就是一点点英语阅读能力。

kaggle入门项目:Titanic存亡预测 (一)比赛简介

Tatinic作为kaggle保留的入门项目一直都是Datascience的入门首选,在这个比赛中我选择了A Data Science Framework: To Achieve 99% Accuracy的这篇kernel从头到尾复现了一遍,结合notebook中的指南,学到了很多数据分析与数据挖掘的基本技能,像是可视化的matplotlib与seaborn的数据可视化实现,数据的清理与one-hot编码,特征工程等。

kaggle入门项目:Titanic存亡预测 (一)比赛简介

Titanic数据集是源自1912年泰坦尼克号沉没事故的存亡情况统计,1500多人死于这场灾难。我们的训练数据集提供了共891名乘客的具体信息,包括姓名、性别、船舱等级、船票价格等,最重要的是survived信息:0/1代表着死亡与幸存,我们的任务就是从这891名乘客信息中寻找特征,确定模型,用以预测测试数据集中其他418名乘客的幸存/死亡情况。

这篇kernel是数据分析的入门教程,围绕问题分析、数据处理、建立模型、选择算法,参数、模型融合等很多数据科学的基本点解释,我将会持续更新这篇kernel的学习心得与问题复现,希望帮助到数据挖掘的同学和kaggle入门者(当然我也是啦)