文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

预测泰坦尼克号的生存

模型出错了，请稍后重试~

相关搜索:预测当前时间的生存概率R-参数法预测生存曲线根据survreg预测绘制生存曲线R|泰坦尼克号数据集中基于连续变量的生存概率使用sbrier (R)估计Cox生存模型的预测精度有没有办法预测R未来的生存概率？比较机器学习算法的性能以预测泰坦尼克号生还的可能性js变量的生存周期php变量的生存周期域名记录的生存时间索引独立的生存曲线生存模型的交叉验证预测类的预测概率c语言变量的生存周期dfs生存分析需要的数据Survminer - Blank图的生存图预测因子组合的回归预测过滤泰坦尼克号数据集上的数据检测域名解析的生存时间基于llvm的生存距离(间隔)分析
相关搜索:
页面内容是否对你有帮助？
有帮助
没帮助

相关·内容

泰坦尼克号生存预测入门

增加特征Sex和Embarked 上面效果不好，增加一些特征 增加特征Sex和Embarked，查看对预测的影响 这两个特征为字符串，需要转成数字 print(pd.value_counts(data_train.loc...0.5723905723905723 模型准确率： 0.5196408529741863 交叉验证参数 shuffle = False，正确率相比于上面缺少特征Sex和Embarked时，提高了不少，好的特征对预测结果提升很有帮助...选择随机森林调参 从上面可以看出随机森林模型的预测效果最好，使用该模型，进行调参 features = ["Pclass","Age","SibSp","Parch","Fare","Embarked"...0.7890 5折数据集，30棵决策树，模型准确率：0.8013 10折数据集，30棵决策树，模型准确率：0.8081 15折数据集，30棵决策树，模型准确率：0.8193 最后一种参数下，随机森林模型的预测效果最好...["Age"].median()) 缺失数据填补(均值、最大值、根据别的特征分段填充等) 性别等字符串特征数字化 选取特征，初步预测 不断的加入新的特征预测 选定较好的模型，再调整这些模型的参数，选出最好的模型参数

48320

泰坦尼克号之生存预测(2)

泰坦尼克号之生存预测(2) 0.说在前面 1.数据预处理 2.特征选择 3.模型选择 4.结果上传 5.总结 6.作者的话 0.说在前面 昨天写了一篇有关leetcode刷题的文章，今天接着上次的kaggle...这里放上上一节(泰坦尼克号之生存预测(1))的地址： https://mp.weixin.qq.com/s/7pR1wqPaRl6RGApblJ-fJA 1.数据预处理 【客舱号与生存】 Cabin表示客舱号...21 E 22 F 8 G 3 NA 488 Name: Survived, dtype: int64 接着，数据处理完了，我们是时候可视化数据，并确定该特征值与生存的关系...【兄弟姐妹与生存】 SibSp 兄弟姐妹数或配偶数 Parch 父母数或子女数 将其与Parch 合并处理！...= 'sqrt',min_samples_leaf=1) rf_.fit(X_train_, Y_train_) rf_.score(X_test_,Y_test_) 4.结果上传 首先通过上述建立的模型进行预测

49710

    • 泰坦尼克号之生存预测(1)

    泰坦尼克号之生存预测(1) 0.说在前面1.数据预处理2.作者的话 0.说在前面 有几天没更新机器学习了，我终于来更新了，对的，你今天看到的就是机器学习系列内容！...昨天周末，有点时间，就来玩了一下kaggle上面的经典比赛---泰坦尼克号生存预测问题！...在接下来的几篇文章中，我将给大家介绍学习Kaggle比赛的一个完整流程，今天先来带大家一起学习一下泰坦尼克号的数据预处理部分。...对比这个数据，得出如下结论： 对于不同的名字开头，他的生存率不同，这里根据存活率平均程度高低依次下分。...同理，我们发现票的前面数字的编号对生存也是有影响！ 这里对不同的票编号封装成函数，进行处理！

    56720

    经典中的经典--泰坦尼克号的乘客生存预测

    titanic乘客的生存预测是数据挖掘的入门级实例，根据船上乘客的多维特征预测事故发生后乘客的生还几率，属于监督学习中典型的分类问题。本文结合对数据挖掘流程的理解和经典案列，呈现数据挖掘过程。...二、数据探索、数据预处理、特征工程 数据探索的过程要求有很高的数据嗅觉，根据数据的分布和相关性分析快速做好特征工程和模型构建。...将Pclass的三个取值做成标签变量，并删除train和test中的class_3变量，因为它的幸存率太低。...()函数去预测X_test的数据，最后用拟合的结果去给模型打分，逻辑回归模型的准确率是0.808。...Y_train) Y_pred = random_forest.predict(X_test) # 模型打分 random_forest.score(X_train, Y_train) 最后得出数据集的预测结果

    1.9K30

    用sklearn机器学习预测泰坦尼克号生存概率

    3）生存概率和年龄有关系吗？ 4）生存概率会不会收到家庭成员多少的影响？ 二、数据理解、准备 2.1 数据查看、合并 ?...我们发现测试数据集比训练数据集少一行是因为少了survive，这个参数是最后需要和预测数据集比对查看正确率的，所以会缺失。...发现方框内几列呈现正负相关性非常的强 ? 于是乎我们组合这几列27个影响因子。 六、准备数据 ? 这里要清楚特征是我们提取的影响生存数的因素，标签是生存数。 预测数据集在891行之后要进行区分。...输入model.score(test_x,test_y) 输入测试特征和标签进行评估分数 8.2 用模型进行预测，并按要求输出 将前面准备的预测数据特征pre_x，用模型的predict方法预测生存数据...提交后我们就会看到我们的排名和成绩 ? 泰坦尼克号这个competition很适合机器学习的入门，大家可以自己动手实操起来，看着鸭哥刚开始给的思维导图操练起来吧！

    1.2K51

    Kaggle经典数据分析项目：泰坦尼克号生存预测！

    其中泰坦尼克号生存预测作为最经典的启蒙数据分析项目，对于初学者来说是应该是最合适的了，后面将分享更多进阶的数据分析项目。...https://mp.weixin.qq.com/s/-fzQIlZRig0hqSm7GeI_Bw 全文如下： 本文结合泰坦尼克号生存预测，从1.数据探索（数据可视化），2.数据预处理，3.模型训练，4...这里我们可以看出女性的生存率远大于男性，这也很符合电影的情节。...贵的仓位自然有更高的生存率 ，不然我花这冤枉钱干嘛，生死面前不是人人平等。...数据预处理 2.1 拼接数据集 首先我们讲训练集中的Survived特征提取出来，这是我们需要预测的目标函数，这部分也是train_data和test_data的不同点，接着我们可以讲训练集和测试集的数据拼接起来一起进行数据预处理

    2.5K21

    Kaggle泰坦尼克号船难--逻辑回归预测生存率

    notebook Win 10基于Python 3.6安装IPython Notebook 三、题意分析 train.csv中有891条泰坦尼克号乘客的数据，包括这些乘客的一些特征与获救情况。...test.csv中有418条乘客的数据，包括这些乘客的一些特征但不包括获救情况。 根据train.csv中乘客的特征与获救情况，预测test.csv中乘客的获救概率。 四、数据分析 1....（二）交叉验证 交叉验证通常是把train.csv分成两部分，一部分用于训练模型，另外一部分数据用来预测结果，然后将预测结果与实际结果比较，这样就能知道模型的预测效果。...一开始我们的模型往往是欠拟合的，也正是因为如此才有了优化的空间，我们需要不断的调整算法来使得模型的预测能力变得更强。但是优化到了一定程度可能会产生过拟合的问题，这时就需要解决过拟合的问题了。...可以看到，预测的准确度略有提升。 虽然提升的不多，但是模型融合的思路是初学者必须掌握的。

    3.5K41

    泰坦尼克号幸存预测

    本次项目主要围绕Kaggle上的比赛题目: "给出泰坦尼克号上的乘客的信息, 预测乘客是否幸存" 进行数据分析 环境 win8, python3.7, jupyter notebook 目录 1....泰坦尼克号将乘客分为三个等级: 三等舱位于船身较下层也最便宜; 二等舱具备与当时其他一般船只的头等舱同样的等级, 许多二等舱的乘客原先在其他船只上预定的头等舱, 却因为泰坦尼克号的航行, 将煤炭能源转移给泰坦尼克号...数据概览 本项目提供了两份数据: train.csv文件作为训练集构建与生存相关的模型; 另一份test.csv文件则用作测试集, 用我们构建出来的模型预测生存情况. 2.1 读取数据: import...用统计模型来预测缺失值, 比如回归模型, 决策树, 随机森林 3. 删除缺失值 4. 保留缺失值 究竟采用处理方式呢, 应当结合具体的场景进行选择....这里不再深究, 现能确定的是它与生存相关. ?

    1.2K21

    项目实战二：利用Python实现Kaggle经典案例之泰坦尼克号乘客生存预测

    上次讲了利用Python实现波士顿房价预测的回归模型，这时小明一脸懵逼，心想回归模型是什么鬼？?️？...（咳咳，敲黑板～科普一下，在机器学习中，根据目标变量（因变量）是否是连续值可以分为回归和分类两种模型）本次就进行一个简单的二分类模型介绍——泰坦尼克号乘客生存预测。...首先还是先导入接下来要用到的Python包 然后导入数据集，因为本次用到的数据集我已预保存到本地电脑，直接读取数据进来即可(数据集下载链接https://www.kaggle.com/c/titanic...，得到一个新特征替换原来特征，这样可能对获救乘客的影响比原来的特征强（老shi,你怎么这么机智又逗逼，让我好嫉妒啊，哈哈～） 然后我们把没有用的特征先剔除再对分类特征数值化后再喂到模型中去 到此数据预处理及特征工程已经简单处理完毕...接下来我们还是按照一开始的方式进行数据划分，前面891条是训练集，最后418条是测试集 终于到最鸡冻的时刻啦?，我们把数据喂到逻辑回归模型（虽然叫回归，但其实是个分类模型，挂羊头卖狗肉懂吗？！）

    1.1K21

    泰坦尼克号生还率预测

    ，比如：姓名、船票编号、船舱编号、在哪里上船等，但是要用姓名来进行预测，所以要保留，而在哪里上船（embarked）也暂时保留，用它学个新知识，正常训练删掉就可 可以先把要保留的字段做成一个列表，然后再把列表保留出来...', 'fare：买票的费用' yichen_data = [1,'yichen','3','male',22,0,2,32.7] 是否生还这一项，预测的时候就不用了，无关紧要，但我还是写成了生还哈哈哈哈哈...(yichen_df) 预测一下 probability = model.predict(yichen_Features) 把预测的结果 probability 加在原来的数据中 yichen_df.insert...它是按照一艘船有那么多人，几人可以生还那样训练的，就一个人必存活呀，我这还低了呐 先把这个数据加在总的数据里面，这样生还率应该稍微比真实情况偏低一丁点，但是这样才是预测的正确姿势呀 all_df = pd.concat...呜呜呜，29% 的生还率，要是能买个 1 等的船舱就是 71% 啦 ? 然而为啥花的钱少生存率还能高啊？ ? ?

    44220

    基于生存分析模型的用户流失预测

    基于生存分析模型的用户流失预测 小O：有没有什么很好的办法在预测用户流失的同时，提供一些建议帮助我们运营呢？...小O：这太可以了～ 生存模型就能很好的地解决上面的问题，生存分析(Survival analysis)是指根据历史数据对人的生存时间进行分析和推断，研究生存情况与众多影响因素间的关系。...0.5，预测的中位生存时间是inf，可以采用cph.predict_percentile(churn0,p=0.6)计算分为数存活时间 预测的最大存活时间为tenure的最大值，即无法预测到观测截面时间后的生存情况...因此也可以将inf定义为最大值 一些用户会在流失前被预测为流失，因此存在剩余生存时间为负。...可以通过校准纠偏 # 预测未流失客户的生存曲线 unconditioned_sf = cph.predict_survival_function(churn0) # 校准 conditioned_sf

    1.2K110

    案例实战|泰坦尼克号船员获救预测（算法求解）

    01 — 回顾 泰坦尼克号船员获救案例的数据原来的模样： 经过数据预处理后，解决了以下问题： 数据的Nan值问题 特征选取问题 新的特征创建 数据清洗问题 非数值型特征转换为可以计算的数值型 得到数据是直接可以...feed到机器学习算法中，进行求解的： 关于这部分的介绍，请参考： 案例实战|泰坦尼克号船员获救预测（数据预处理部分） 下面，介绍利用这些数据，进行模型求解，预测船员的获救情况。...借助sklearn的API，先做出一个基本的预测，预测过程的思路如下： from sklearn.linear_model import LinearRegression from sklearn.cross_validation...04 — 总结和展望 关于这个问题的求解算法，应该还可以再精进一步，时间关系，先总结到这里，这样完成了泰坦尼克号船员预测问题。...以上算法部分，只能算是第一阶段，要想取得更好的预测精度，那一定得借助 XGBoost，将以上多个集成算法组成 Stacker，然后预测的结果综合起来作为XGBoost的特征输入，y值为训练集的Survived

    92890

    使用scikit-learn进行建模预测和评估操作_泰坦尼克号获救预测

    [0], n_folds=3, random_state=1) # 预测结果 predictions = [] # 训练集, 测试集, 交叉验证 for train, test in kf:...，如果不设置，两次执行的随机值是不一样的 # n_estimators 指定有多少颗决策树，树的分裂的条件是: # min_samples_split 代表样本不停的分裂，某一个节点上的样本如果只有2...# - 看不同特征的效果 # - 特征提取是数据挖掘里很- 要的一部分 # - 以上使用的特征都是数据里已经有的了，在真实的数据挖掘里我们常常没有合适的特征，需要我们自己取提取 # # In[153...预测值, 取平均 test_predictions = (full_test_predictions[0] + full_test_predictions[1]) / 2 # Any value...titanic_test[predictors].astype(float))[:, 1] full_predictions.append(predictions) # 梯度提升分类器产生更好的预测

    45140

    案例实战|泰坦尼克号船员获救预测（XGBoost提交结果）

    01 — 回顾 泰坦尼克号的案例系列已经推送了2个，分别解决了数据预处理：特征工程，数据清洗等，包括模型的BaseLine阶段的求解，关于这两篇文章，请参考： 案例实战|泰坦尼克号船员获救预测（数据预处理部分...） 案例实战|泰坦尼克号船员获救预测（算法求解） 其中在算法求解部分，小编脑子出现短路，在第一个求解中本想调用逻辑回归，但是错误地调成了线性回归，图片如下所示： ?...另外，对已经阅读和可能以后看到的读者，大家注意这个问题！接下来，任何问题，还希望大家帮小编指正。 已经对泰坦尼克号获救预测的准确度达到了83....最后拿xgboost训练后的结果再对测试集预测，这个结果就可以作为最终的预测结果提交到kaggle中了。...02 — Stacker 已经拿随机森林分类器，Adboost分类器，GBDT分类器，支持向量机分类器，对泰坦尼克号的获救情况作出预测，并且绘制了特征图，下面再总结下其中几个分类器得到的特征的重要程度表格

    1.3K60

    案例实战|泰坦尼克号船员获救预测（数据预处理部分）

    今天，首先介绍参赛队伍最多的一个实际问题：泰坦尼克号船员获救预测，先看下项目的基本描述： Competition Description 项目描述 The sinking of the RMS Titanic...这次竞赛，我们想预测哪些人群更容易生还。特别地，希望大家用机器学习的模型来预测哪些人幸免于难。...测试集只包含基本特征，不包含获救情况（not include ground truth），需要用上面训练得到的模型预测获救情况。...对各个特征的分析研究，对于最后的预测结果起到至关重要的作用，因此一定要花足够多的时间来分析特征，构思各个特征间的关系，是不是有些特征可以合并为一个新的特征，有些特征可以过滤掉等等。...至此，泰坦尼克号船员预测的数据预处理任务完成，明天推送，这些数据feed到机器学习的算法中，然后得到一个预测模型，看一下在测试集上的表现如何，以及如何做出优化。

    1.3K70

    kaggle泰坦尼克号幸存预测问题（入全球前10%）

    问题描述 比赛地址 kaggle泰坦尼克号比赛说明 泰坦尼克号的沉没是历史上最著名的沉船之一。...1912年4月15日，在她的首航中，泰坦尼克号在与冰山相撞后沉没，在2224名乘客和机组人员中造成1502人死亡。这场耸人听闻的悲剧震惊了国际社会，并促进了更严格的船舶安全规定产生。...造成海难失事的原因之一是乘客和机组人员没有足够的救生艇。尽管幸存下沉有一些运气因素，但有些人比其他人更容易生存，比如女人，孩子和上流社会。 在这个挑战中，我们要求您完成对哪些人可能存活的分析。...特别是，我们要求您运用机器学习工具来预测哪些乘客在悲剧中幸存下来。

    93130
    点击加载更多

    扫码

    添加站长 进交流群

    领取专属 10元无门槛券

    手把手带您无忧上云

    扫码加入开发者社群

    相关资讯

    热门标签

    更多标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      腾讯云开发者

      扫码关注腾讯云开发者

      扫码关注腾讯云开发者

      领取腾讯云代金券

      热门产品

      热门推荐

      更多推荐

      Copyright © 2013 - 2024 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有

      深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

      腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287

      领券