DAY 22 复习日

复习日

仔细回顾一下之前21天的内容，没跟上进度的同学补一下进度。

作业：

自行学习参考如何使用kaggle平台，写下使用注意点，并对下述比赛提交代码

kaggle泰坦里克号人员生还预测

一、Kaggle 基础使用步骤

1. 注册与登录

   • 访问 Kaggle 官网 ，通过 Google 账号或邮箱注册。
   • 验证邮箱后完成账户激活。

2. 熟悉界面

   • Competitions（竞赛）：参与数据科学竞赛，赢取奖金或提升技能。
   • Datasets（数据集）：搜索或上传公开数据集。
   • Notebooks（代码笔记本）：基于 Jupyter Notebook 的在线编程环境，支持 Python/R。
   • Discussions（论坛）：与社区交流问题或分享经验。

3. 创建/运行 Notebook

   • 点击 New Notebook 创建代码环境，支持 GPU/TPU 加速。
   • 挂载数据集：通过 Add Data 添加数据集到 Notebook。

4. 提交竞赛结果

   • 在竞赛页面下载数据，训练模型后生成预测结果文件（如 CSV）。
   • 通过竞赛页面的 Submit Predictions 上传结果，查看排名。

---

二、使用注意点

1. 数据隐私与合规

• 避免敏感数据：上传数据集时，确保不包含个人信息或受版权保护的内容。
• 竞赛数据保密：禁止在竞赛期间将数据集分享到外部平台。

2. 资源限制

• GPU/TPU 使用：免费账户每周有约 30 小时的 GPU 和 20 小时的 TPU 配额，超限后需等待重置。
• 会话时长：Notebook 无操作 20 分钟后会自动停止，需手动重启。
• 存储限制：每个 Notebook 最大存储 20GB（含数据集）。

3. 代码与 Notebook 优化

• 依赖安装：在 Notebook 中通过 !pip install 安装库时，建议在代码开头一次性安装。
• 开启 GPU：在 Notebook 设置中手动启用 GPU/TPU，否则默认使用 CPU。
• 数据路径：挂载数据集后，数据路径通常为 /kaggle/input/[数据集名称]/。
• 版本保存：定期点击 Save Version 备份代码，避免丢失进度。

4. 竞赛注意事项

• 规则阅读：仔细阅读竞赛规则，避免因提交格式错误或违规被取消资格。
• 团队合作：允许组队参赛，但需在提交前合并团队。
• 公平性：禁止多账号刷分或使用非公开数据。

5. 社区互动

• 提问技巧：在论坛提问时，提供清晰的背景、代码错误信息和尝试过的解决方法。
• 引用来源：使用他人代码或数据时，注明来源并遵守许可证（如 CC0、MIT 等）。

6. 性能与效率

• 大数据处理：使用 pandas 时优先选择分块读取（chunksize）或高效格式（如 parquet）。
• 内存管理：避免在 Notebook 中加载超大数据，可使用 dtype 优化或 del 释放内存。
• 缓存中间结果：将预处理后的数据保存为文件，减少重复计算。

---

三、其他实用技巧

• 学习资源：利用 Kaggle Learn（短期免费课程）和公开 Notebook 学习模型构建技巧。
• Kaggle API：通过命令行工具批量下载数据集或提交结果（需生成 API Token）。
• 参与社区活动：关注 Kernels（优质代码）、Datasets 和 Discussions 的 Trending 内容，学习最新方法。

---

常见问题解决

• 数据集加载失败：检查路径是否正确，或通过 ls /kaggle/input 查看已挂载数据。
• GPU 未生效：在 Notebook 设置中确认已开启 GPU，并检查是否安装了 GPU 版本的库（如 tensorflow-gpu）。
• 内存不足：减少批量大小（batch size）或使用更轻量级的模型。

Kaggle 的比赛如何运作

1. 加入比赛
   阅读挑战赛描述，接受比赛规则并访问比赛数据集。
2. 开始工作
   下载数据，在本地或 Kaggle Notebooks（我们的免设置、可自定义的 Jupyter Notebooks 环境，带有免费 GPU）上构建模型，并生成预测文件。
3. 提交 将您的预测作为提交
   上传到 Kaggle 并获得准确率分数。
4. 查看排行榜
   查看您的模型在我们的排行榜上与其他 Kaggler 的排名。
5. 提高你的分数
   查看论坛，找到来自其他竞争对手的大量教程和见解。

本次挑战——泰坦尼克号 - 从灾难中学习机器学习

泰坦尼克号的沉没是历史上最臭名昭著的沉船事件之一。

1912 年 4 月 15 日，在她的处女航中，被广泛认为“永不沉没”的 RMS 泰坦尼克号在与冰山相撞后沉没。不幸的是，船上的每个人都没有足够的救生艇，导致 1502 名乘客和船员中有 2224 人死亡。

虽然生存下来有一些运气因素，但似乎某些群体比其他人更有可能生存下来。

在本次挑战赛中，我们要求您构建一个预测模型，使用乘客数据（即姓名、年龄、性别、社会经济阶层等）回答“什么样的人更有可能生存”这个问题。

我将在本次比赛中使用哪些数据？

在本次比赛中，您将可以访问两个类似的数据集，其中包括乘客信息，如姓名、年龄、性别、社会经济阶层等。一个数据集的标题为，另一个数据集的标题为 。train.csvtest.csv

Train.csv将包含机上乘客子集（准确地说是 891 人）的详细信息，重要的是，将揭示他们是否幸存，也称为“基本事实”。

该数据集包含类似的信息，但没有透露每位乘客的 “真实情况”。预测这些结果是你的工作。test.csv

使用您在数据中找到的模式，预测机上其他 418 名乘客（在 中找到）是否幸存下来。train.csvtest.csv

查看 “Data” 选项卡以进一步探索数据集。一旦您认为您已经创建了一个有竞争力的模型，请将其提交给 Kaggle，以查看您的模型在我们的排行榜上与其他 Kaggler 的排名。

数据集描述

概述

数据已分为两组：

• 训练集 （train.csv）
• 测试集 （test.csv）

训练集应用于构建机器学习模型。对于训练集，我们提供每位乘客的结果（也称为“真实值”）。您的模型将基于乘客的性别和舱位等“特征”。您还可以使用特征工程来创建新特征。

应该使用测试集来查看模型在看不见的数据上的表现。对于测试集，我们不会提供每位乘客的 Ground Truth。预测这些结果是你的工作。对于测试集中的每个乘客，使用您训练的模型来预测他们是否在泰坦尼克号沉没后幸存下来。

我们还包括 gender_submission.csv，这是一组假设所有且只有女性乘客幸存的预测，作为提交文件应该是什么样子的示例。

数据字典

变量	定义	钥匙
生存	生存	0 = 否，1 = 是
p类	机票舱位	1 = 第 1 个，2 = 第 2 个，3 = 第 3 个
性	性
年龄	年龄（岁）
国际生物安全指数	# 泰坦尼克号上的兄弟姐妹/配偶
帕奇	# 泰坦尼克号上的父母/孩子
票	票号
票价	乘客票价
舱	舱位号
登船	登船港口	C = 瑟堡，Q = 皇后镇，S = 南安普敦

变量注释

pclass：社会经济地位 （SES）
的代理 1st = 上
2nd = 中
3rd = 下

年龄：如果年龄小于 1，则年龄为分数。如果年龄是估计的，是不是以 xx.5

sibsp 的形式：数据集是这样定义家庭关系的......
兄弟姐妹 = 兄弟、姐妹、继兄弟、继姐妹
配偶 = 丈夫、妻子（情妇和未婚夫被忽略）

parch：数据集以这种方式定义家庭关系......
父母 = 母亲，父亲
孩子 = 女儿、儿子、继女、继子
有些孩子只与保姆一起旅行，因此他们 parch=0。

具体步骤

总览

[加载数据] → [预处理] → [特征工程] → [训练模型]  
                     ↓              ↑  
             [获取已训练预处理器] → [提取特征名称] → [合并分析]

具体代码

1. 环境准备

# ========== 1. 环境准备 ==========
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split, GridSearchCV, StratifiedKFold
from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import OneHotEncoder, RobustScaler
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from imblearn.over_sampling import SMOTE
from imblearn.pipeline import make_pipeline as imb_make_pipeline
import warnings
warnings.filterwarnings('ignore')

2. 数据加载与清洗

# ========== 2. 数据加载与清洗 ==========
def load_data(path):"""加载并初步处理数据"""df = pd.read_csv(path)# 删除无关特征 [改进1：增加特征删除说明]df.drop(['PassengerId', 'Name', 'Ticket', 'Cabin'], axis=1, inplace=True)return dftrain = load_data('train.csv')
test = load_data('test.csv')

3. 数据预处理管道

# ========== 3. 数据预处理管道 ==========
# [改进2：增加鲁棒缩放器]
cat_features = ['Sex', 'Embarked']
num_features = ['Pclass', 'Age', 'SibSp', 'Parch', 'Fare']preprocessor = ColumnTransformer(transformers=[('num', Pipeline(steps=[('imputer', SimpleImputer(strategy='median')),('scaler', RobustScaler())  # 新增特征缩放]), num_features),('cat', Pipeline(steps=[('imputer', SimpleImputer(strategy='most_frequent')),('encoder', OneHotEncoder(handle_unknown='ignore'))]), cat_features)])

 4. 特征工程增强

# ========== 4. 特征工程增强 ==========
def feature_engineering(df):"""自定义特征工程 [改进3：增加新特征]"""# 基础特征df['FamilySize'] = df['SibSp'] + df['Parch'] + 1df['IsAlone'] = (df['FamilySize'] == 1).astype(int)# 新增票价分段特征df['FareCategory'] = pd.cut(df['Fare'],bins=[0, 10, 50, 100, 600],labels=[0, 1, 2, 3]).astype(float)# 新增年龄分段特征df['AgeGroup'] = pd.cut(df['Age'],bins=[0, 12, 18, 60, 100],labels=['Child', 'Teen', 'Adult', 'Elderly']).astype(object)return dftrain = feature_engineering(train)
test = feature_engineering(test)

 5. 数据集划分策略优化

# ========== 5. 数据集划分策略优化 ==========
# [改进4：使用分层抽样]
X = train.drop('Survived', axis=1)
y = train['Survived']
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, stratify=y,  # 新增分层抽样random_state=42
)

6. 构建增强管道

# ========== 6. 构建增强管道 ==========
# [改进5：优化网格搜索参数]
pipeline = imb_make_pipeline(preprocessor,SMOTE(random_state=42),RandomForestClassifier(random_state=42)
)param_grid = {'randomforestclassifier__n_estimators': [100, 200, 300],  # 扩展参数范围'randomforestclassifier__max_depth': [5, 7, 9, None],'randomforestclassifier__min_samples_split': [2, 3, 5],'randomforestclassifier__max_features': ['sqrt', 'log2'],  # 新增参数'smote__k_neighbors': [3, 5]  # 优化SMOTE参数
}

 7. 模型训练与调参优化

# ========== 7. 模型训练与调参优化 ==========
# [改进6：使用分层交叉验证]
grid_search = GridSearchCV(estimator=pipeline,param_grid=param_grid,scoring='f1',cv=StratifiedKFold(n_splits=5, shuffle=True, random_state=42),  # 优化交叉验证n_jobs=-1,verbose=1  # 新增训练过程显示
)grid_search.fit(X_train, y_train)

8. 模型评估增强

# ========== 8. 模型评估增强 ==========
best_model = grid_search.best_estimator_
val_pred = best_model.predict(X_val)print("\n=== 最优参数 ===")
print(grid_search.best_params_)print("\n=== 验证集评估 ===")
print(f"准确率: {accuracy_score(y_val, val_pred):.2f}")
print(f"精确率: {precision_score(y_val, val_pred):.2f}") 
print(f"召回率: {recall_score(y_val, val_pred):.2f}")
print(f"F1分数: {f1_score(y_val, val_pred):.2f}")

9. 测试集处理

# ========== 9. 测试集处理 ==========
# [改进7：确保测试集处理一致性]
test_passenger_ids = pd.read_csv('test.csv')['PassengerId']
test_pred = best_model.predict(test)

10. 结果保存与特征分析

# ========== 10. 结果保存与特征分析 ==========
submission = pd.DataFrame({'PassengerId': test_passenger_ids,'Survived': test_pred
})
submission.to_csv('titanic_submission.csv', index=False)# 特征重要性分析（修正版）
try:# 获取训练好的预处理器fitted_preprocessor = best_model.named_steps['columntransformer']# 数值特征（包含新增特征）num_feats = num_features + ['FamilySize', 'IsAlone', 'FareCategory']# 分类特征编码后的名称cat_pipeline = fitted_preprocessor.named_transformers_['cat']encoded_cat_feats = cat_pipeline.named_steps['encoder'].get_feature_names_out(cat_features)# 合并所有特征名称all_feature_names = np.concatenate([num_feats, encoded_cat_feats])# 获取重要性importances = best_model.named_steps['randomforestclassifier'].feature_importances_# 创建DataFrameimportance_df = pd.DataFrame({'Feature': all_feature_names,'Importance': importances}).sort_values('Importance', ascending=False)print("\n=== 特征重要性 Top 10 ===")print(importance_df.head(10))except Exception as e:print(f"特征分析失败: {str(e)}")print("可能原因：")print("- sklearn版本过低（需>=1.0），请升级：pip install --upgrade scikit-learn")print("- 预处理器未正确训练")print("\n=== 提交文件已生成 ===")

最终提交

您的提交应为包含 418 行和标题的 CSV 文件。您可以上传 zip/gz/7z 存档。

@浙大疏锦行