写在前面:如果您还不知道anaconda是什么，或者不知道如何创建/激活环境，请移步至本专栏第一篇文章查看

在本篇文章中，我们来看一个机器学习的 真·入门级 案例：Titanic – Machine Learning from Disaster，题源为kaggle，其简介内容如下：

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。

在本案例中，你将学习到：

• 使用pandas对数据进行基本的加载、筛选
• 使用scikit-learn提供的机器学习模型–随机森林模型进行数据的训练与预测

step 1： 安装python库：scikit-learn

首先，请以管理员权限运行 anaconda prompt 并在其中激活您的python虚拟环境，然后输入：conda install scikit-learn

此后，输入“y”确定以开始下载，等待下载完成。

step 2： 导入数据，并对数据做一些简单的预处理

本处博主选择使用jupyter工具来完成本项目，如果你也想使用本工具，请在您的项目文件夹激活cmd终端，并在终端激活您的python环境，此后在终端输入：jupyter lab，如果您比较熟悉jupyter notebook，您也可以将其替换成notebook

项目文件夹结构：
fuxian_titanic/
│
├── titanic/ # Titanic项目相关文件夹
└── Untitled.ipynb # Jupyter Notebook源文件

首先导入需要的库文件：

import pandas as pd
import os
from sklearn.ensemble import RandomForestClassifier

读入训练集数据：

train_data = pd.read_csv("./titanic/train.csv")

此后，您可以使用train_data.head()查看train_data中的前5条数据：

您可以以同样的方式查看test_data中的数据

在这里，我们可以学习使用loc函数来计算训练集中性别的不同对生还率的影响，例如我们计算女性在这场灾难中的生还率：

# 我们已经在前面导入了训练集数据train_data

# 使用loc函数筛选出满足条件“train_data.Sex == 'female'”的数据之后，再从这部分数据中取出表头（标签）为Survived的数据，该部分数据以0/1记录对应PassengerId的生还与否，其中1表示生还

# loc函数的作用就是根据设定的bool条件筛选数据

women = train_data.loc[train_data.Sex == 'female']['Survived']

# 0 或者 1 表示乘客未获救或者获救，其中sum的值求出的是所有1的和，即表示获救的人数

rate_women = sum(women) / len(women)

同理，我们也可以依次筛选出反方向的数据，例如“生还的乘客中，标签为male的生还率”、“标签为male的死亡率”、“标签为female的死亡率”等等，本部分内容请读者自行实验

您愿意动手的对吧？

step 3： 初始化机器学习模型，开始训练

在机器学习中，训练集最重要的无非两部分：数据和数据对应的标签

那本文案例中，标签应该是什么呢？

本案例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。

因此，本案例的标签因该是是否生还，对应数据集中应该是 Survived ，因此我们应该初始化标签flag为：

flag = train_data["Survived"]

由于本案例只需要探究“姓名、年龄、性别、社会经济阶层”这四个标签对生还率的影响，因此我们只需要将这部分数据提取出来作为训练集即可，方法如下：

features = ["Pclass", "Sex", "SibSp", "Parch"]

# get_dummies是 Pandas 提供的独热编码函数，会将所有分类型变量（Categorical）自动转换为虚拟变量（Dummy Variables），每个分类值的不同类别会被扩展为一个新的二进制列（0 或 1），原始列会被删除。数值型变量不会被处理，直接保留原值

train_ = pd.get_dummies(train_data[features])

仿照上面的方法，我们可以提取测试集文件中对应的数据：

test_ = pd.get_dummies(test_data[features])

接下来我们借助于随即森林模型作为本文案例的机器学习模型：

# 初始化模型

model = RandomForestClassifier(
    n_estimators = 100, # 决策树的数量
    max_depth = 5, # 决策树的深度(树高)
    random_state = 1 # 随机种子，以便实验的可复现性
)

# fit函数是模型提供的通用的模型训练方法，直接对数据进行拟合，其参数传递为：特征，标签

model.fit(
    train_,
    flag
)

现在，运行代码就可以实现对模型的训练了！

step 4： 测试模型

类似于fit函数，机器学习模型也提供了快捷的模型测试函数: predict() ，其接收一个参数：测试集数据集，返回一个预测结果

根据上面初始过的测试集test_，我们将其传入函数中，得到的即为传入数据的预测，由于给定的数据为csv文件，因此我们在最后也选择对其进行保存为csv文件，便于提交网站测试

predictions = model.predict(x_test) # 传入测试集数据，返回预测结果

output = pd.DataFrame({ # 设置保存csv文件的一些格式，例如列名
    "PassengerId": test_data.PassengerId,
    "Survived": predictions
})

output.to_csv("submission.csv", index=False) # 保存为csv文件

到这里，本文案例就到达了尾声了，恭喜你成功完成了本文的案例！将最终保存的csv文件提交官网检测，得到反馈结果如下：

在最终的提交结果中，我们可以看到准确率在77.5%，这说明什么呢？如果希望提高准确率的话，我们又应该从哪些方面入手呢？请读者思考这两个问题。

如果您在阅读本文的过程中有所收获，或者有任何宝贵的建议和想法，欢迎通过邮箱或是微信等方式给我留言交流，您的每一次建议都将是我前进的动力！在此，博主斗胆向您提出一个小小的请求，如果您觉得本文给您带来了一丝启发，不妨动动手指，给予一点点鼓励。万水千山总是情，您的打赏，哪怕只是 0.1 元，也是对博主莫大的支持！（悄悄告诉您，博主正在为服务器众筹中 (×﹏×)，您的每一份心意都将助力博主走得更远！）感谢您的慷慨，愿我们的缘分如同这网络世界，绵长不断