机器学习入门：Kaggle -titanic(泰坦尼克)生存预测

萌新入门机器学习的第一个手把手案例零基础尝试Kaggle-Titanic - Machine Learning from Disaster附代码

认识你很高兴！

7477人浏览 · 2022-03-24 21:50:59

认识你很高兴！ · 2022-03-24 21:50:59 发布

作为kaggle最最入门的新手村长期比赛之一，通过参考大佬们的作业，自己尝试了一下这个demo，可以很好的让萌新体验一次传统机器学习的大体流程。

首先附上这篇博客参考大佬的原文地址，欢迎大家去捧场：

Kaggle平台Titanic生存率预测项目(TOP3%) - 知乎https://zhuanlan.zhihu.com/p/50194676

作为萌新向入门记录，我会提及一些当时自己遇到的一些细节，还有一些个人理解的暴论(不是)，不足之处还请多多指教。

一、数据获取

kaggle注册这方面我就先不说了，这里附上网址，可以根据这里的下载图标进行数据集下载

Kaggle-Titanichttps://www.kaggle.com/competitions/titanic/overview

当然也可以通过代码的方式直接下载到本地，但是可能对萌新不友好，这里不多赘述，大家可以自行查找方法。

一共三个csv文件，训练集和测试集，还有一个提交版本的csv样例。我们最终提交的文件是根据测试集预测出来的文件，该文件格式需要与gender_submission相一致。网络不好的同学可以根据文末链接下载对应数据。

二、数据观察

这个部分也不是必要的，只是可以让我们大概理解一下数据，有一定基础的小伙伴们可以跳过直接到第三部分。

import warnings 
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 忽略部分版本警告
warnings.filterwarnings('ignore')
#设置sns样式
sns.set(style='white',context='notebook',palette='muted')
#导入数据
train=pd.read_csv('./train.csv')
test=pd.read_csv('./test.csv')

# 合并数据集
full = train.append(test, ignore_index=True)
full.describe()
# full.info()

可以看到一些数据的大致分布以及比例，但是这几列的意义不大。

这里可以看出港口不同对生存率的影响，也可以试试其他参数，将‘Embarked’以及S、C、Q等相应参数进行替换即可。

# 计算不同类型embarked的乘客，其生存率为多少
# S:南安普顿港southampton;Q:皇后镇 Queentown;C:瑟堡 Cherbourg
print('Embarked为"S"的乘客，其生存率为%.2f' % full['Survived'][full['Embarked'] == 'S'].value_counts(normalize=True)[1])
print('Embarked为"C"的乘客，其生存率为%.2f' % full['Survived'][full['Embarked'] == 'C'].value_counts(normalize=True)[1])
print('Embarked为"Q"的乘客，其生存率为%.2f' % full['Survived'][full['Embarked'] == 'Q'].value_counts(normalize=True)[1])

法国登船乘客生存率较高原因可能与其头等舱乘客比例较高有关。

sns.catplot('Pclass', col='Embarked', data=train, kind='count', height=3)

Parch与Survived：当乘客同行的父母及子女数量适中时，生存率较高。

sns.barplot(data=train, x='Parch', y='Survived')

同理可以将不同的数据进行比较，这里就不放结果图了。

# SibSp与Survived：当乘客同行的同辈数量适中时生存率较高
sns.barplot(data=train, x='SibSp', y='Survived')

# Pclass与Survived：乘客客舱等级越高，生存率越高
sns.barplot(data=train, x='Pclass', y='Survived')

# Sex与Survived：女性的生存率远高于男性
sns.barplot(data=train, x='Sex', y='Survived')

Age与Survived：当乘客年龄段在0-10岁期间时生存率会较高。

ageFacet = sns.FacetGrid(train, hue='Survived', aspect=3)    # 创建坐标轴
ageFacet.map(sns.kdeplot, 'Age', shade=True)                 # 作图，选择图形类型
ageFacet.set(xlim=(0, train['Age'].max()))                   # 其他信息：坐标轴范围、标签等
ageFacet.add_legend()

Fare与Survived：当票价低于18左右时乘客生存率较低，票价越高生存率一般越高。

ageFacet = sns.FacetGrid(train, hue='Survived', aspect=3)        # 创建坐标轴
ageFacet.map(sns.kdeplot, 'Fare', shade=True)
ageFacet.set(xlim=(0, 150))
ageFacet.add_legend()

查看fare(票价)分布。

farePlot = sns.distplot(full['Fare'][full['Fare'].notnull()], label='skewness:%.2f' % (full['Fare'].skew()))
farePlot.legend(loc='best')

上面的查看方式在其他的基础机器学习数据集中也同样适用，可以尝试更改一下参数，更好的观察数据的关联性，为后续构建特征工程、同组识别做准备。

三、数据预处理

这里新开一个jupyter，需要导入的包如下(调包侠是我了)。

import warnings 
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import roc_curve, auc 
from sklearn.ensemble import RandomForestClassifier,GradientBoostingClassifier,ExtraTreesClassifier
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV,cross_val_score,StratifiedKFold

# 忽略部分版本警告
warnings.filterwarnings('ignore')
#设置sns样式
sns.set(style='white',context='notebook',palette='muted')
#导入数据
train=pd.read_csv('./train.csv')
test=pd.read_csv('./test.csv')
full = train.append(test, ignore_index=True)

3.1对cabin船舱标签进行缺失值填充

这里要引入几种缺失值处理方式，我们会先后用到。

第一种就是直接填“不造啊”，我愿称之为“摆烂型数据”，一般意义不大的数据可以尝试这样填写。而且就算让咱们好好填，也填不上啊（捂脸）。

#对Cabin缺失值进行处理，利用U（Unknown）填充缺失值
full['Cabin']=full['Cabin'].fillna('U')
full['Cabin'].head()

3.2对Embarked登船港口标签进行缺失值填充

第二种：填入众数、平均值，或者可能性最大的某一个标签。

#对Embarked缺失值进行处理，查看缺失值情况
full[full['Embarked'].isnull()]

查看Embarked数据分布情况，可知在英国南安普顿登船可能性最大，因此以此填充缺失值。

full['Embarked']=full['Embarked'].fillna('S')
full['Embarked'].value_counts()

fare票价同样的处理方式，不过这次采取的是平均值。

# 利用3等舱，登船港口为英国，舱位未知旅客的平均票价来填充缺失值。
full['Fare']=full['Fare'].fillna(full[(full['Pclass']==3)&(full['Embarked']=='S')&(full['Cabin']=='U')]['Fare'].mean())

第三种：预测后填充

某种数据太关键了，我们难以使用常规方式直接添加，比如本案例的年龄数据，脑补一下就可以感觉到，对最终生存率预测的影响至关重要，我们可以尝试根据现有数据“预测年龄”，之后再填充。但我们在预测年龄之前还需要对数据进行进一步处理，这里先挖个坑。

四、特征工程

首先我们愿意相信，某些标签下的数据只有几条，那预测效果肯定不会太好，我们可以尝试“暴力更改”他们的部分标签，合并类型大致相同的标签，本案例中以姓名头衔为例。

4.1name中头衔信息提取

旅客姓名数据中包含头衔信息，不同头衔也可以反映旅客的身份，而不同身份的旅客其生存率有可能会出现较大差异。因此通过Name特征提取旅客头衔Title信息，并分析Title与Survived之间的关系。

#构造新特征Title
full['Title']=full['Name'].map(lambda x:x.split(',')[1].split('.')[0].strip())
#查看title数据分布
full['Title'].value_counts()

可以看到头衔实在太多了，我们有选择的合并部分头衔

# 将相近的特征整合在一起
TitleDict={}
TitleDict['Mr']='Mr'
TitleDict['Mlle']='Miss'
TitleDict['Miss']='Miss'
TitleDict['Master']='Master'
TitleDict['Jonkheer']='Master'
TitleDict['Mme']='Mrs'
TitleDict['Ms']='Mrs'
TitleDict['Mrs']='Mrs'
TitleDict['Don']='Royalty'
TitleDict['Sir']='Royalty'
TitleDict['the Countess']='Royalty'
TitleDict['Dona']='Royalty'
TitleDict['Lady']='Royalty'
TitleDict['Capt']='Officer'
TitleDict['Col']='Officer'
TitleDict['Major']='Officer'
TitleDict['Dr']='Officer'
TitleDict['Rev']='Officer'

full['Title']=full['Title'].map(TitleDict)
full['Title'].value_counts()

合并结果如下，数量较少标签被合并到其余大类中。

4.2FamilyNum及FamilySize信息提取

脑补时间又到了，如果沉船发生，那种一家七八个人的和普通一家三口的生存率应该会出现明显差别，人数越多可能生存率越低，人数过少也可能因为没有帮助的原因而导致生存率较低。

于是我们将Parch及SibSp字段整合，得到一名乘客同行家庭成员总人数FamilyNum的字段。再根据家庭成员具体人数的多少得到家庭规模FamilySize这个新字段。

full['familyNum']=full['Parch']+full['SibSp']+1
# 查看familyNum与Survived
sns.barplot(data=full,x='familyNum',y='Survived')

可以看出，家庭成员人数在2-4人时，乘客的生存率较高，当没有家庭成员同行或家庭成员人数过多时生存率较低，脑补成功。

但是这里我们虽然挖掘到了数据中本不存在的信息，但是凭空增加了一类标签，而且观察发现，2-4类别的生存率可能不会有太大差别，在这里可以尝试将类别合并，按照家庭成员人数多少，将家庭规模分为“小、中、大”三类：

# 按照家庭成员人数多少，将家庭规模分为“小、中、大”三类：
def familysize(familyNum):
    if familyNum==1:
        return 0
    elif (familyNum>=2)&(familyNum<=4):
        return 1
    else:
        return 2

full['familySize']=full['familyNum'].map(familysize)
full['familySize'].value_counts()
# 查看familySize与Survived
sns.barplot(data=full,x='familySize',y='Survived')
# 当家庭规模适中时，乘客的生存率更高。

看图说话，有理有据，令人信服。

4.3共票号乘客数量TickCot及TickGroup

这里思路与上方思路一致，同一票号的乘客数量可能不同，可能也与乘客生存率有关系。我们构建这一关系，并且发现当TickCot大小适中时，乘客生存率较高。并且为了降低数据的复杂性，可以按照TickCot大小，将TickGroup分为三类。在代码中进行了详细说明，此处不在赘述。

4.4Age缺失值填充-构建随机森林模型预测缺失的数据

到这里大伙儿还记得我们的年龄一直没有补全这件事吗，我们在进行了以上的数据处理和特征工程后，数据变得更加“立体”，就可以着手预测年龄了，但是这毕竟不是直接预测生存率，我们只挑去部分数据和一种模型即可。

查看Age与Parch、Pclass、Sex、SibSp、Title、familyNum、familySize、Deck、TickCot、TickGroup等变量的相关系数大小，筛选出相关性较高的变量构建预测模型。

full[full['Age'].isnull()].head()

这里可以大致看一下前五条没年龄的数据，选择几个有良好对应特征的数据用于后续预测，列数较多，这里没有截全。

4.4.1筛选数据

#筛选数据集
AgePre=full[['Age','Parch','Pclass','SibSp','Title','familyNum','TickCot']]
#进行one-hot编码
AgePre=pd.get_dummies(AgePre)
ParAge=pd.get_dummies(AgePre['Parch'],prefix='Parch')
SibAge=pd.get_dummies(AgePre['SibSp'],prefix='SibSp')
PclAge=pd.get_dummies(AgePre['Pclass'],prefix='Pclass')
#查看变量间相关性
AgeCorrDf=pd.DataFrame()
AgeCorrDf=AgePre.corr()
AgeCorrDf['Age'].sort_values()

根据相关性，拼接相关数据，并查看前五条，因为前面进行了独热编码，列数明显增加。

AgePre=pd.concat([AgePre,ParAge,SibAge,PclAge],axis=1)
AgePre.head()

4.4.2拆分数据并建立模型（利用随机森林构建模型）

#拆分实验集和预测集
AgeKnown=AgePre[AgePre['Age'].notnull()]
AgeUnKnown=AgePre[AgePre['Age'].isnull()]

#生成实验数据的特征和标签
AgeKnown_X=AgeKnown.drop(['Age'],axis=1)
AgeKnown_y=AgeKnown['Age']
#生成预测数据的特征
AgeUnKnown_X=AgeUnKnown.drop(['Age'],axis=1)

#利用随机森林构建模型
rfr=RandomForestRegressor(random_state=None,n_estimators=500,n_jobs=-1)
rfr.fit(AgeKnown_X,AgeKnown_y)

4.43利用模型进行预测并填入原数据集中

#预测年龄
AgeUnKnown_y=rfr.predict(AgeUnKnown_X)
#填充预测数据
full.loc[full['Age'].isnull(),['Age']]=AgeUnKnown_y
full.info()

此时已无缺失值，数据处理大功告成。

五、同组识别

虽然通过分析数据已有特征与标签的关系可以构建有效的预测模型，但是部分具有明显共同特征的用户可能与整体模型逻辑并不一致。

如果将这部分具有同组效应的用户识别出来并对其数据加以修正，就可以有效提高模型的准确率。在Titancic案例中，我们主要探究相同姓氏的乘客是否存在明显的同组效应。提取两部分数据，分别查看其“姓氏”是否存在同组效应。因为性别和年龄与乘客生存率关系最为密切，因此用这两个特征作为分类条件。

人话版：有的数据太离谱，虽说数据摆烂了，但是我们还不舍得丢弃，可是留着会导致模型不能获得良好的结果，于是进行一波骚操作，本案例中包括但不限“暴力更改性别”，“暴力更改年龄”等方式。

5.1 12岁以上男性：找出男性中同姓氏均获救的部分

#提取乘客的姓氏及相应的乘客数
full['Surname']=full['Name'].map(lambda x:x.split(',')[0].strip())
SurNameDict={}
SurNameDict=full['Surname'].value_counts()
full['SurnameNum']=full['Surname'].map(SurNameDict)

#将数据分为两组
MaleDf=full[(full['Sex']=='male')&(full['Age']>12)&(full['familyNum']>=2)]
FemChildDf=full[((full['Sex']=='female')|(full['Age']<=12))&(full['familyNum']>=2)]

MSurNamDf=MaleDf['Survived'].groupby(MaleDf['Surname']).mean()
MSurNamDf.head()
MSurNamDf.value_counts()

大多数同姓氏的男性存在“同生共死”的特点，因此利用该同组效应，对生存率为1的姓氏里的男性数据进行修正，提升其预测为“可以幸存”的概率。

MSurNamDict={}
MSurNamDict=MSurNamDf[MSurNamDf.values==1].index
MSurNamDict

这里显示一下符合调教的乘客姓名：

5.2 女性以及年龄在12岁以下儿童：找出女性及儿童中同姓氏均遇难的部分。

#分析女性及儿童同组效应
FCSurNamDf=FemChildDf['Survived'].groupby(FemChildDf['Surname']).mean()
FCSurNamDf.head()
FCSurNamDf.value_counts()

与男性组特征相似，女性及儿童也存在明显的“同生共死”的特点，因此利用同组效应，对生存率为0的姓氏里的女性及儿童数据进行修正，提升其预测为“并未幸存”的概率。

#获得生存率为0的姓氏
FCSurNamDict={}
FCSurNamDict=FCSurNamDf[FCSurNamDf.values==0].index
FCSurNamDict

下面是更改数据，可以看到进行了萌新们难以理解的操作：

#对数据集中这些姓氏的男性数据进行修正：1、性别改为女；2、年龄改为5。
full.loc[(full['Survived'].isnull())&(full['Surname'].isin(MSurNamDict))&(full['Sex']=='male'),'Age']=5
full.loc[(full['Survived'].isnull())&(full['Surname'].isin(MSurNamDict))&(full['Sex']=='male'),'Sex']='female'

#对数据集中这些姓氏的女性及儿童的数据进行修正：1、性别改为男；2、年龄改为60。
full.loc[(full['Survived'].isnull())&(full['Surname'].isin(FCSurNamDict))&((full['Sex']=='female')|(full['Age']<=12)),'Age']=60
full.loc[(full['Survived'].isnull())&(full['Surname'].isin(FCSurNamDict))&((full['Sex']=='female')|(full['Age']<=12)),'Sex']='male'

六、筛选子集

在对数据进行分析处理的过程中，数据的维度上升，为提升数据有效性需要对数据进行降维处理。通过找出与乘客生存率“Survived”相关性更高的特征，剔除重复的且相关性较低的特征，从而实现数据降维。

人话版：数据太多，但是机器并不会认为年龄比客舱名更加重要，我们对某些数据进行删除，或者其他的降维处理。

这里只展示人工去除的方式，因为在本demo中，盲目使用sklearn自带的降维函数，准确率波动太大，得不偿失，而手撕降维代码或者更改参数不在本萌新讨论范围之内(留下了菜狗的泪水)。

fullSel=full.drop(['Cabin','Name','Ticket','PassengerId','Surname','SurnameNum'],axis=1)
#查看各特征与标签的相关性
corrDf=pd.DataFrame()
corrDf=fullSel.corr()
corrDf['Survived'].sort_values(ascending=True)

# 查看Survived与其他特征间相关性大小。

plt.figure(figsize=(8,8))
sns.heatmap(fullSel[['Survived','Age','Embarked','Fare','Parch','Pclass',
                    'Sex','SibSp','Title','familyNum','familySize','Deck',
                     'TickCot','TickGroup']].corr(),cmap='BrBG',annot=True,
           linewidths=.5)
# plt.xticks(rotation=45)

先人工初步筛除与标签预测明显不相关或相关度很低的特征，再查看剩余特征与标签之间的相关性大小做进一步降维。

fullSel=fullSel.drop(['familyNum','SibSp','TickCot','Parch'],axis=1)
#one-hot编码
fullSel=pd.get_dummies(fullSel)
PclassDf=pd.get_dummies(full['Pclass'],prefix='Pclass')
TickGroupDf=pd.get_dummies(full['TickGroup'],prefix='TickGroup')
familySizeDf=pd.get_dummies(full['familySize'],prefix='familySize')

fullSel=pd.concat([fullSel,PclassDf,TickGroupDf,familySizeDf],axis=1)

七：构建预测模型

7.1模型选择

7.1.1建立各种模型

#拆分实验数据与预测数据
experData=fullSel[fullSel['Survived'].notnull()]
preData=fullSel[fullSel['Survived'].isnull()]

experData_X=experData.drop('Survived',axis=1)
experData_y=experData['Survived']
preData_X=preData.drop('Survived',axis=1)

一般到这里，萌新的入门机器学习之路可以暂时告一段落了，后面的路主要是调包，而这些包包里面的内容较为深奥，参数调教也很有讲究，我们可以暂时使用默认值(不传参)。

这里涉及了众多没听说过的算法，可以参考一下我的这一篇小汇总，主要是从其他博主哪里汇总的(没有一滴是自己的)，分别对应了这里出现的算法名，大家看看图一乐。这是链接

#设置kfold，交叉采样法拆分数据集
kfold=StratifiedKFold(n_splits=10)

#汇总不同模型算法
classifiers=[]
classifiers.append(SVC())
classifiers.append(DecisionTreeClassifier())
classifiers.append(RandomForestClassifier())
classifiers.append(ExtraTreesClassifier())
classifiers.append(GradientBoostingClassifier())
classifiers.append(KNeighborsClassifier())
classifiers.append(LogisticRegression())
classifiers.append(LinearDiscriminantAnalysis())

7.1.2比较各种算法结果，进一步选择模型

#不同机器学习交叉验证结果汇总
cv_results=[]
for classifier in classifiers:
    cv_results.append(cross_val_score(classifier,experData_X,experData_y,
                                      scoring='accuracy',cv=kfold,n_jobs=-1))

# 求出模型得分的均值和标准差
cv_means=[]
cv_std=[]
for cv_result in cv_results:
    cv_means.append(cv_result.mean())
    cv_std.append(cv_result.std())
    
#汇总数据
cvResDf=pd.DataFrame({'cv_mean':cv_means,
                     'cv_std':cv_std,
                     'algorithm':['SVC','DecisionTreeCla','RandomForestCla','ExtraTreesCla',
                                  'GradientBoostingCla','KNN','LR','LinearDiscrimiAna']})
cvResDf

以下是结果，数字太抽象，我们换张图。

# 可视化查看不同算法的表现情况
sns.barplot(data=cvResDf,x='cv_mean',y='algorithm',**{'xerr':cv_std})

cvResFacet=sns.FacetGrid(cvResDf.sort_values(by='cv_mean',ascending=False),sharex=False,
            sharey=False,aspect=2)
cvResFacet.map(sns.barplot,'cv_mean','algorithm',**{'xerr':cv_std},
               palette='muted')
cvResFacet.set(xlim=(0.7,0.9))
cvResFacet.add_legend()

首先是0-1作为范围的总体图，但是某些模型的结果差不多，我们可以将坐标轴缩减至0.7-1.0

7.2确定选取LR和GradientBoostingCla模型

别问，问就是肉眼观察

八、模型调优

8.1模型对比

综合以上模型表现，考虑选择GradientBoostingCla、LR两种模型进一步对比。分别建立GradientBoostingClassifier以及LogisticRegression模型，并进行模型调优。

#GradientBoostingClassifier模型
GBC = GradientBoostingClassifier()
gb_param_grid = {'loss' : ["deviance"],
              'n_estimators' : [100,200,300],
              'learning_rate': [0.1, 0.05, 0.01],
              'max_depth': [4, 8],
              'min_samples_leaf': [100,150],
              'max_features': [0.3, 0.1] 
              }
modelgsGBC = GridSearchCV(GBC,param_grid = gb_param_grid, cv=kfold, 
                                     scoring="accuracy", n_jobs= -1, verbose = 1)
modelgsGBC.fit(experData_X,experData_y)

#LogisticRegression模型
modelLR=LogisticRegression()
LR_param_grid = {'C' : [1,2,3],
                'penalty':['l1','l2']}
modelgsLR = GridSearchCV(modelLR,param_grid = LR_param_grid, cv=kfold, 
                                     scoring="accuracy", n_jobs= -1, verbose = 1)
modelgsLR.fit(experData_X,experData_y)

8.2 查看模型准确度

#modelgsGBC模型
print('modelgsGBC模型得分为：%.3f'%modelgsGBC.best_score_)
#modelgsLR模型
print('modelgsLR模型得分为：%.3f'%modelgsLR.best_score_)
# GBC模型得分（即模型准确性）更高，继续比较其他指标的差异。

8.3 查看模型ROC曲线

#求出测试数据模型的预测值
modelgsGBCtestpre_y=modelgsGBC.predict(experData_X).astype(int)
#画图
fpr,tpr,threshold = roc_curve(experData_y, modelgsGBCtestpre_y) ###计算真正率和假正率
roc_auc = auc(fpr,tpr) ###计算auc的值

plt.figure()
lw = 2
plt.figure(figsize=(10,10))
plt.plot(fpr, tpr, color='r',
         lw=lw, label='ROC curve (area = %0.3f)' % roc_auc) ###假正率为横坐标，真正率为纵坐标做曲线
plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Titanic GradientBoostingClassifier Model')
plt.legend(loc="lower right")

话说我总感觉这个框框是扁的(右上角低了· 。·)，因为这两个模型的准确率差不多，所以这个曲线观感是基本一致的，至于该评价指标的详细内容请查阅其他博文，这里不做赘述啦。

#求出测试数据模型的预测值
testpre_y=modelgsLR.predict(experData_X).astype(int)
#画图
fpr,tpr,threshold = roc_curve(experData_y, testpre_y) ###计算真正率和假正率
roc_auc = auc(fpr,tpr) ###计算auc的值

plt.figure()
lw = 2
plt.figure(figsize=(10,10))
plt.plot(fpr, tpr, color='r',
         lw=lw, label='ROC curve (area = %0.3f)' % roc_auc) ###假正率为横坐标，真正率为纵坐标做曲线
plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.0])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Titanic LogisticRegression Model')
plt.legend(loc="lower right")

8.4 查看混淆矩阵

from sklearn.metrics import confusion_matrix
print('GradientBoostingClassifier模型混淆矩阵为\n',confusion_matrix(experData_y.astype(int).astype(str),modelgsGBCtestpre_y.astype(str)))
print('LinearRegression模型混淆矩阵为\n',confusion_matrix(experData_y.astype(int).astype(str),testpre_y.astype(str)))

这里涉及召回率等其他评价指标，萌新可以简单理解为，主对角线上的数字越大越好。那从这里可以看出，这个小G模型效果应该比较好。

九、模型预测

#TitanicGBSmodle
GBCpreData_y=modelgsGBC.predict(preData_X)
GBCpreData_y=GBCpreData_y.astype(int)
#导出预测结果
GBCpreResultDf=pd.DataFrame()
GBCpreResultDf['PassengerId']=full['PassengerId'][full['Survived'].isnull()]
GBCpreResultDf['Survived']=GBCpreData_y
GBCpreResultDf
#将预测结果导出为csv文件
GBCpreResultDf.to_csv(r'C:\Users\demo\Titanic\TitanicGBSmodle.csv',index=False)

这里注意更改一下保存路径，接下来我们可以在kaggle官网进行提交啦。