python建模大赛算法_Python数据分析kaggle-Titanic+天池-工业蒸汽量预测建模算法

做数据分析许久了, 简单写写比赛的数据分析项目思路

一 使用逻辑回归/随机森林等对kaggle比赛项目 "给出泰坦尼克号上的乘客的信息, 预测乘客是否幸存"进行简单的数据分析过程, 使用的工具是Jupyter Notebook

项目提供了两份数据,分别是titanic_train.csv(训练集,用来构建模型)和test(测试集,用来对模型准确度进行测试)

读取并观察数据

import numpy as np

import pandas as pd

data = pd.read_csv("data/titanic_train.csv")

# 观察数据结构信息

print(data.info())

print(data.describe())

# 查看前两行数据

data.head(2)

通过观察可知,训练集共891行,并且Age, Cabin, Embarked字段存在缺失值:

PassengerId -- 类似于编号,每个人对应一个Id, 具有唯一性

Survived -- 是否幸存, 1表示幸存者, 0则表示否

Pclass -- 船舱等级, 1为一等舱, 2为二等舱, 3为三等舱

Name -- 姓名

Sex -- 性别, female女性, male男性

Age -- 年龄(缺失值个数:177,缺失占比:19.8%)

SibSp -- 同船配偶以及兄弟姐妹的人数

Parch -- 同船父母或者子女的人数

Ticket -- 船票号

Fare -- 船票的票价

Cabin -- 舱位号码(缺失值个数:687,缺失占比:77%)

Embarked -- 登船港口(缺失值个数:2,占比:0.2%)

特征分析

在进行数据建模前必须找出特征因素,找出与幸存有关的特征,特征的好坏直接决定了模型的可靠程度.

PassengerId仅仅是标识船员的id和票号Ticket,理论上与是否幸存无关,此特征先行放弃.

Cabin船位号码缺失值较多,暂时不考虑.下面继续分析其他特征值域幸存者的关联

首先对特征的缺失值进行补充:

#对年龄的缺失值取中位数

#对登船港口缺失值取S(S港口登船人员最多)

data["Age"] = data["Age"].fillna(data["Age"].median())

data["Embarked"] = data["Embarked"].fillna("S")

对特征值进行转换,以便利于建模

#将性别转换为0,1

data.loc[data["Sex"] == "male", "Sex"] = 0

data.loc[data["Sex"] == "female", "Sex"] = 1

#将登船港口改为0,1,2

data.loc[data["Embarked"] == "S", "Embarked"] = 0

data.loc[data["Embarked"] == "C", "Embarked"] = 1

data.loc[data["Embarked"] == "Q", "Embarked"] = 2

使用data.loc[data["Embarked"] == "S", "Embarked"] = 0

首先运用SelectKBest对特征进行一个简单的分析

import numpy as np

from sklearn.feature_selection import SelectKBest, f_classif

import matplotlib.pyplot as plt

predictors = ["Pclass", "Sex", "Age", "SibSp", "Parch", "Fare", "Embarked"]

selector = SelectKBest(f_classif, k=5)

selector.fit(data[predictors], data["Survived"])

scores = -np.log10(selector.pvalues_)

plt.bar(range(len(predictors)), scores)

plt.xticks(range(len(predictors)), predictors, rotation='vertical')

plt.show()

上述可知,"Pclass, Sex, Fare, Embarked"这几个特征相对比较重要,那我们首先用这几个特征进行建模

线性回归算法

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import KFold

predictors = ["Pclass", "Sex", "Fare", "Embarked"]

# 线性回归 算法

alg = LinearRegression()

kf = KFold(n_splits=3,random_state = 1)

predictions = []

for train,test in kf.split(data):

train_predictors = (data[predictors].iloc[train,:])

train_target = data["Survived"].iloc[train]

alg.fit(train_predictors, train_target)

test_predictions = alg.predict(data[predictors].iloc[test,:])

predictions.append(test_predictions)

predictions = np.concatenate(predictions, axis=0)

predictions[predictions > 0.5] = 1

predictions[predictions <= 0.5] = 0

accuracy = sum(predictions[predictions == data["Survived"]]) / len(predictions)

print(accuracy)

0.2615039281705948(结果太差,可忽略)

逻辑回归 算法

from sklearn.model_selection import cross_val_score

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

X = data[predictors]

y = data["Survived"]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33)

alg = LogisticRegression(random_state=1)

alg.fit(X_train, y_train)

scores = cross_val_score(alg, X_train, y_train, cv=3)

print(scores.mean())

alg.score(X_test,y_test)

0.7834680134680134

0.7762711864406779

结果一般,再试试随机森林

from sklearn.model_selection import cross_val_score, KFold

from sklearn.ensemble import RandomForestClassifier

predictors = ["Pclass", "Sex", "Fare", "Embarked"]

alg = RandomForestClassifier(random_state=1, n_estimators=10, min_samples_split=2, min_samples_leaf=1)

alg.fit(X_train, y_train)

kf = KFold(n_splits=3, random_state=1)

scores = cross_val_score(alg, X_train, y_train, cv=kf)

print(scores.mean())

alg.score(X_test,y_test)

0.7885894117049895

0.7864406779661017

alg = RandomForestClassifier(random_state=1, n_estimators=100, min_samples_split=2, min_samples_leaf=1)

alg.fit(X_train, y_train)

kf = KFold(n_splits=3, random_state=1)

scores = cross_val_score(alg, X_train, y_train, cv=kf)

print(scores.mean())

alg.score(X_test,y_test)

0.7952726595942675

0.8067796610169492

随机森林参数随意取得

这只是简单的特征提取和建模分析,后续可以进一步提取特征值,进行更多的建模分析

二 使用Lasso/随机森林/SVM等对天池比赛项目 "工业蒸汽量预测建模算法"进行简单的数据分析过程, 使用的工具是Jupyter Notebook

import warnings

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

warnings.filterwarnings("ignore")

train = pd.read_table("data/zhengqi_train.txt")

test = pd.read_table("data/zhengqi_test.txt")

train_x = train.drop(['target'],axis=1)

train_y = train['target']

data = pd.concat([train_x,test])

test.head()

from sklearn.feature_selection import SelectKBest, f_classif

figsize = 15,8

figure = plt.subplots(figsize=figsize)

selector = SelectKBest(f_classif, k=5)

selector.fit(train_x,train_y)

scores = -np.log10(selector.pvalues_)

plt.bar(range(38), scores)

plt.xticks(range(38),train_x.columns)

# plt.figure(figsize=(5,5))

plt.show()

fig = plt.subplots(figsize=(30,20))

j = 1

for cols in data.columns:

plt.subplot(5,8,j)

sns.distplot(train[cols])

sns.distplot(test[cols])

j+=1

从上面数据来看,特征'V5','V9','V11','V17','V22','V28'训练集和测试集分布不均,删除类似特征,并且'V14'对目标值影响较小,所以也删除此特征.

# 删除无用特征并进行模型尝试

data.drop(['V5','V9','V11','V14','V17','V22','V28'],axis=1,inplace=True)

#数据分割

from sklearn.model_selection import train_test_split

x_train,x_test,y_train,y_test = train_test_split(train_x,train_y, test_size = 0.3,random_state = 0)

建模

from sklearn.linear_model import Lasso,LinearRegression

from sklearn.svm import SVR

from sklearn.ensemble import RandomForestRegressor

import lightgbm as lgb

from sklearn.model_selection import KFold, cross_val_score

from sklearn.metrics import mean_squared_error

def kfold_scores(alg,x_train, y_train):

kf = KFold(n_splits = 5, random_state= 1, shuffle=False)

predict_y = []

for kf_train,kf_test in kf.split(x_train):

alg.fit(x_train.iloc[kf_train],y_train.iloc[kf_train])

y_pred_train = alg.predict(x_train.iloc[kf_test])

mse = mean_squared_error(y_train.iloc[kf_test],y_pred_train)

predict_y.append(mse)

print("交叉验证集MSE均值为 %s" % (np.mean(predict_y)))

y_pred_test = alg.predict(x_test)

mse = mean_squared_error(y_test, y_pred_test)

print("测试集MSE为 %s" % mse)

alg = Lasso(alpha = 0.002)

mse_mean = kfold_scores(alg,x_train,y_train)

交叉验证集MSE均值为 0.11694436512799282

测试集MSE为 0.11029985071315368

alg = RandomForestRegressor()

mse_mean = kfold_scores(alg,x_train,y_train)

交叉验证集MSE均值为 0.1404184691171128

测试集MSE为 0.1467028448096886

其他算法代入也如上即可,后续优化空间:特征值选择,目标值处理,异常值剔除等!

alg = lgb.LGBMRegressor()

mse_mean = kfold_scores(alg,x_train,y_train)

y = alg.predict(test)

k = y.tolist()

with open('data/data.txt','w') as f:

for i in k:

f.write(str(i) + '\r\n')

f.close()

将test的结果输出到txt文件

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/552460.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

本科计算机专业在车辆段,机电与轨道车辆工程系2021届毕业生参加成都铁路局车辆段及电务段认知实习...

2020年10月28日&#xff0c;在机电与轨道车辆工程系专业教师及辅导员们的带领下&#xff0c;轨道交通学院机电与轨道车辆工程系2017级本科车辆工程专业、机械设计制造及其自动化专业、2018级专科城市轨道交通车辆技术专业共108名学生&#xff0c;以及2017级本科电气工程专业45名…

中职学校计算机教学探讨,中职学校计算机专业教学探讨

【摘要】伴随科技飞速发展,信息技术发展迅猛,计算机教学应告别以往的呆板的传统教学方式,由于职业学校的特殊性,身为职业学校的计算机教师,在教学方法上做出重大的变革,创造出一条适合自身特点的新路,鼓励学生发挥特长,努力实现自己的目标,成为企业需要的人才。【关键词】中职&…

阿甘修理机器人cd_剑网三遗失的美好奖励之阿甘

处理 SSI 文件时出错遗失的美好顾名思义能够拿到曾经失去的美好之物,剑网三的安史之乱资料片推出已经有一段时日了&#xff0c;但是现在火热度不减和官方推出的充值回馈送遗失的美好道具有着分不开的关系。遗失的美好里面包括各种独特的坐骑趣味挂件还有能够使用的小物品&#…

襄阳社区招聘计算机考什么时候,襄阳招聘网格员什么时候报名?

2020年襄阳招聘网格员什么时候开始报名呢&#xff1f;襄阳社区网格员招聘&#xff0c;一直是各位考生非常关注的招聘&#xff0c;襄阳人事考试网也为大家准备了关于2020年襄阳招聘网格员的相关资讯。很多考生听说过社区工作者&#xff0c;但是还是不够清楚作为一名社区网格员的…

java参数注解pam_吃透Java基础十:注解

一、什么是注解官方定义&#xff1a;注解是一系列元数据&#xff0c;它提供数据用来解释程序代码&#xff0c;但是注解并非是所解释的代码本身的一部分。注解对于代码的运行效果没有直接影响。注解有许多用处&#xff0c;主要如下&#xff1a;提供信息给编译器&#xff1a;编译…

广州计算机操作员培训,汕尾市计算机操作员报名考试时间地址及培训入口

生活习惯越来越多的计算机进入了人们的日常生活&#xff0c;随着计算机价格的逐步便宜&#xff0c;越来越多的家长为自己的孩子购置了计算机&#xff0c;但是计算机目前在我们的日常生活中&#xff0c;却没有扮演一个下面的角色&#xff0c;现在家庭中的计算机一般都是作为娱乐…

go get如何删除_Go 每日一库之 xorm

简介Go 标准库提供的数据库接口database/sql比较底层&#xff0c;使用它来操作数据库非常繁琐&#xff0c;而且容易出错。因而社区开源了不少第三方库&#xff0c;如上一篇文章中的sqlc工具&#xff0c;还有各式各样的 ORM (Object Relational Mapping&#xff0c;对象关系映射…

浮点加法器计算机组成原理,计算机组成原理 第二章运算方法与运算器

第二章运算方法与运算器运算方法&#xff1a;指算术(四则)运算和逻辑运算&#xff0c;在运算器的实现方法&#xff0c;而实现这两种运算的硬设备就是算术逻辑部件ALU(Arithmeticand Logic Unit)或称运算器由于逻辑运算及实现较简单&#xff0c;所以本章主要讨论计算机中算术四则…

python整数预测_时间序列预测全攻略(附带Python代码) | 36大数据

介绍时间序列(简称TS)被认为是分析领域比较少人知道的技能。(我也是几天前才知道它)。但是你一定知道最近的小型编程马拉松就是基于时间序列发展起来的&#xff0c;我参加了这项活动去学习了解决时间序列问题的基本步骤&#xff0c;在这儿我要分享给大家。这绝对能帮助你在编程…

wordpress添加html媒体文件,WordPress“添加媒体”文件时只显示上传到当前文章的附件图片...

最近子凡把很大一部分精力都分散在了泪雪建站的改版和泪雪网的运营中去了&#xff0c;随着泪雪网的定位和内容的新增&#xff0c;网站也需要有很多细节的升级&#xff0c;而在今天就给大家分享一个 WordPress 如何在编辑文章时“添加媒体”中默认只显示上传到本文中的附件的方法…

世界上最大的计算机硬盘,全球我最大 忆捷A600 2TB移动硬盘评测

评测工程师简介&#xff1a;PConline评测工程师&#xff1a;韩松评测工程师点评&#xff1a;移动领域里面的新霸主&#xff0c;为需要安全的人士提供了一个全新的移动理念。集安全性、技术性、容量、兼容性、稳定性、散热性等重要指标于一身。可以说忆捷A600绝对是移动硬盘领域…

tplink连接服务器失败_管家婆财贸双全连接失败,服务器端没有找到加密狗

管家婆财贸双全连接失败&#xff0c;服务器端没有找到加密狗管家婆财贸双全找不到狗判断步骤1、先判断电脑能否识别管家婆财贸双全加密狗我的电脑--右键--属性--硬件--设备管理器--通用串行总线控制器(或人体学接口设备)看有没有这个 SafeNet Inc. USB Key 出现&#xff0c;插上…

2020年秋计算机科学导论,南开大学《主干课1-计算机科学导论》2020秋主干课考试...

试卷总分:100 得分:303 R- k9 d3 ^1 } F一、单选题 (共 10 道试题,共 20 分)- z" x3 C% Z7 V |9 D p5 s1.数字836的基数可能是( )3 D) j2 h- l N OA.2" D# H% r2 b3 ]; d" iB.57 E; n, U4 v# |; L4 k% r4 u- QC.78 x) x" r3 r; y6 A2 oD.10) X3…

两直线平行交叉相乘_人教版初中数学七年级下册 平行线判定2公开课优质课课件教案视频...

平 行 线 的 判 定 一、教材分析1、主要内容及其地位本节的主要内容是平行线的判定公理及两个判定定理&#xff0c;由分析画平行线的过程得知&#xff0c;画平行线实际上就是画相等的同位角&#xff0c;由此得到平行线的判定公理——“同位角相等&#xff0c;两直线平行”&…

高中计算机辗转相除法,高三数学教案:算法案例――辗转相除法

《高三数学教案&#xff1a;算法案例――辗转相除法》由会员分享&#xff0c;可在线阅读&#xff0c;更多相关《高三数学教案&#xff1a;算法案例――辗转相除法(7页珍藏版)》请在人人文库网上搜索。1、算法案例 辗转相除法育才中学潘敏一、教材分析选自苏教版普通高中课程标准…

相关系数矩阵计算_corrplot包:相关性矩阵可视化

今天学习下相关性矩阵的可视化&#xff0c;可以用来可视化相关性矩阵的包有corrplot包、corrgram包、GGally包、ggcorrplot包等&#xff0c;这些包在大部分情况下都可以满足需求。今天先来学习corrplot包的使用&#xff0c;后面几天有空会详细讲解下另外三个包。目 录1. 安装和…

pat根据中序遍历和先序遍历_[leetcode/lintcode 题解] 前序遍历和中序遍历树构造二叉树...

【题目描述】根据前序遍历和中序遍历树构造二叉树.在线评测地址:九章算法 - 帮助更多中国人找到好工作&#xff0c;硅谷顶尖IT企业工程师实时在线授课为你传授面试技巧​www.jiuzhang.com【样例】样例 1:输入&#xff1a;[],[] 输出&#xff1a;{} 解释&#xff1a; 二叉树为空…

计算机员工工资管理系统源代码,C++员工工资管理系统源代码

《C员工工资管理系统源代码》由会员分享&#xff0c;可在线阅读&#xff0c;更多相关《C员工工资管理系统源代码(17页珍藏版)》请在人人文库网上搜索。1、include #include #include #include #include #include using namespace std;#define NULL 0#define LEN sizeof(struct …

计算机专业人才培养模式改革,地方高校计算机科学与技术专业人才培养模式改革与实践...

摘要:本文分析了目前我国地方高等院校计算机专业人才培养现状,以太原科技大学计算机科学与技术专业为例,针对办学指导思想、专业定位、专业特色、专业培养模式及课程体系进行了研究与探讨,提出了“行业特色明显、专业方向细化、实践技能突出、素质教育鲜明”的专业建设指导思想…

java中审核订单流程图_「数据架构」数据流程图:实例-订餐系统

数据流图(DFD)提供了系统内信息流(即数据流)的可视化表示。通过绘制数据流程图&#xff0c;您可以了解由参与系统流程的人员提供并交付给他们的信息、完成流程所需的信息以及需要存储和访问的信息。本文以一个订餐系统为例&#xff0c;对数据流图(DFD)进行了描述和说明。食品订…