本次分享的项目来自 Kaggle 的经典赛题：泰坦尼克号生还者预测。分为数据分析和数据挖掘两部分介绍。上一篇为数据分析篇，本篇为数据挖掘篇。

数据挖掘

本篇的内容有以下几部分：

• 对一些异常和缺失数据进行清洗。
• 进行特征的转换，比如定类的 Sex 特征：female／male需要转换为模型可接受的 0／1 值，也叫量化过程。
• 除了提供的变量外，尝试做出一些认为非常有影响力的 “衍生变量”，并加入到数据中。
• 整理数据，建立一个模型，输出预测结果。

特征工程

对缺失值进行处理

在上一篇的分析中我们对特征缺失值情况进行了统计：

接下来分别对 Fare，Embarked，Cabin，Age 四个特征对缺失值进行处理。

Fare 特征缺失值处理

查看Fare特征缺失情况：

df[df['Fare'].isnull()]

发现只有一个缺失值，是一位年龄大于 60 岁的男性，乘坐的船舱等级为 3。

这里我们选择不删除这个值，而是用相似特征替换的方法来填补缺失值。与缺失值具有相似特征的其它样本数据：

df.loc[(df['Pclass']==3)&(df['Sex']=='male')&(df['Age']>60)]

我们用以上样本Fare的均值来填补这个缺失值:

df['surname'] = df["Name"].apply(lambda x: x.split(',')[0].lower())
fare_mean_estimated = df.loc[(df['Pclass']==3)&(df['Age']>60)&(df['Sex']=='male')].Fare.mean()
df.loc[df['surname']=='storey','Fare'] = fare_mean_estimated

Embarked 特征缺失值处理

查看Embarded特征缺失情况：

df[df['Embarked'].isnull()]

在上篇分析中我们知道在 S 港口登陆的乘客人数最多，这里采用 S 港口进行填补：

df['Embarked'] = df['Embarked'].fillna('S')

Cabin 特征缺失值处理

Cabin 特征缺失严重，因此我们根据有无 Cabin 信息提取出一个新特征:

data_train['Has_Cabin'] = data_train["Cabin"].apply(lambda x: 0 if type(x) == float else 1)
data_test['Has_Cabin'] = data_test["Cabin"].apply(lambda x: 0 if type(x) == float else 1)

得到处理后的数据集形如下列形式：

Age 特征缺失值处理

Age 特征存在一部分缺失值，且数值较多，我们在这一步处理缺失值后，也将对 Age 特征根据区间进行分类。

首先处理缺失值：

full_data = [data_train, data_test]
for dataset in full_data:
    age_avg = dataset['Age'].mean()
    age_std = dataset['Age'].std()
    age_null_count = dataset['Age'].isnull().sum()
    age_null_random_list = np.random.randint(age_avg - age_std, age_avg + age_std, size=age_null_count)
    dataset['Age'][np.isnan(dataset['Age'])] = age_null_random_list
    dataset['Age'] = dataset['Age'].astype(int)

对众多的 Age 特征进行分组：

data_train['CategoricalAge'] = pd.cut(data_train['Age'], 5)
for dataset in full_data:
    # Mapping Age
    dataset.loc[ dataset['Age'] <= 16, 'Age'] = 0
    dataset.loc[(dataset['Age'] > 16) & (dataset['Age'] <= 32), 'Age'] = 1
    dataset.loc[(dataset['Age'] > 32) & (dataset['Age'] <= 48), 'Age'] = 2
    dataset.loc[(dataset['Age'] > 48) & (dataset['Age'] <= 64), 'Age'] = 3
    dataset.loc[ dataset['Age'] > 64, 'Age'] = 4 ;

丢掉多余的特征：

drop_elements = ['PassengerId']
data_train = data_train.drop(drop_elements, axis = 1)
data_train = data_train.drop(['CategoricalAge'], axis = 1)

最后，得到下列形式的数据集：

衍生变量

在这部分我们将对 Name 特征进行处理，即对特征进行衍生产生新特征变量。

# 定义函数从 name 中提取 title
def get_title(name):
    title_search = re.search(' ([A-Za-z]+)\.', name)
    # If the title exists, extract and return it.
    if title_search:
        return title_search.group(1)
    return ""
    
# 创建新特征 title
for dataset in full_data:
    dataset['Title'] = dataset['Name'].apply(get_title)
    
# 将不常见的 title 用"Rare"替换掉
for dataset in full_data:
    dataset['Title'] = dataset['Title'].replace(['Lady', 'Countess','Capt', 'Col','Don', 'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona'], 'Rare')

    dataset['Title'] = dataset['Title'].replace('Mlle', 'Miss')
    dataset['Title'] = dataset['Title'].replace('Ms', 'Miss')
    dataset['Title'] = dataset['Title'].replace('Mme', 'Mrs')

对数据进行数值化处理：

for dataset in full_data:
    # Sex
    dataset['Sex'] = dataset['Sex'].map( {'female': 0, 'male': 1} ).astype(int)
    
    # titles
    title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Rare": 5}
    dataset['Title'] = dataset['Title'].map(title_mapping)
    dataset['Title'] = dataset['Title'].fillna(0)
    
    # Embarked
    dataset['Embarked'] = dataset['Embarked'].map( {'S': 0, 'C': 1, 'Q': 2} ).astype(int)
    
    # Fare
    dataset.loc[ dataset['Fare'] <= 7.91, 'Fare']                                 = 0
    dataset.loc[(dataset['Fare'] > 7.91) & (dataset['Fare'] <= 14.454), 'Fare'] = 1
    dataset.loc[(dataset['Fare'] > 14.454) & (dataset['Fare'] <= 31), 'Fare']   = 2
    dataset.loc[ dataset['Fare'] > 31, 'Fare']                                     = 3
    dataset['Fare'] = dataset['Fare'].astype(int)
    

去掉多余的特征：

drop_elements = ['Name', 'Ticket']
drop_elements = ['Name', 'Ticket']
data_train = data_train.drop(drop_elements, axis = 1)
data_test = data_test.drop(drop_elements, axis = 1)

得到如下形式的数据集：

特征选择

特征权重

查看到有如下特征：

Index(['Survived', 'Pclass', 'Sex', 'Age', 'Fare', 'Embarked', 'Family',
       'Has_Cabin', 'Title'],
      dtype='object')

我们采用 ANOVA 方差分析的 F 值来对各个特征变量打分，打分的意义是：各个特征变量对目标变量的影响权重。代码如下：

from sklearn.feature_selection import SelectKBest, f_classif,chi2

target = data_train["Survived"].values
features= ['Survived', 'Pclass', 'Sex', 'Age', 'Fare', 'Embarked', 'Family',
       'Name_length', 'Has_Cabin', 'Title']

train = data_train.copy()
test = data_train.copy()

selector = SelectKBest(f_classif, k=len(features))
selector.fit(train[features], target)
scores = -np.log10(selector.pvalues_)
indices = np.argsort(scores)[::-1]
print("Features importance :")
for f in range(len(scores)):
    print("%0.2f %s" % (scores[indices[f]],features[indices[f]]))

得到结果：

特征相关性分析

对每个特征进行相关性分析，查看热力图：

features_selected = features
df_corr = data_train[features_selected].copy()

colormap = plt.cm.RdBu
plt.figure(figsize=(20,20))
sns.heatmap(df_corr.corr(),linewidths=0.1,vmax=1.0, 
            square=True, cmap=colormap, linecolor='white', annot=True)

相关性大的特征容易造成过拟合现象，因此需要进行剔除。最好的情况就是：所有特征相关性很低，各自的方差或者说信息量很高。

模型训练

创建模型

划分数据集：

from sklearn.model_selection import train_test_split

X_all = data_train.drop(['Survived'], axis=1)
y_all = data_train['Survived']

num_test = 0.20
X_train, X_test, y_train, y_test = train_test_split(X_all, y_all, test_size=num_test, random_state=23)

这里采用随机森林 RandomForest 模型，建立模型：

from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import make_scorer, accuracy_score
from sklearn.model_selection import GridSearchCV

clf = RandomForestClassifier()

# 设定参数
parameters = {'n_estimators': [4, 6, 9], 
              'max_features': ['log2', 'sqrt','auto'], 
              'criterion': ['entropy', 'gini'],
              'max_depth': [2, 3, 5, 10], 
              'min_samples_split': [2, 3, 5],
              'min_samples_leaf': [1,5,8]
             }

acc_scorer = make_scorer(accuracy_score)

grid_obj = GridSearchCV(clf, parameters, scoring=acc_scorer)
grid_obj = grid_obj.fit(X_train, y_train)

clf = grid_obj.best_estimator_

clf.fit(X_train, y_train)

得到模型：

模型预测

predictions = clf.predict(X_test)
print(accuracy_score(y_test, predictions))

得到预测值为0.8435754189944135，提交到 kaggle 上打分0.77990，需进一步的改进。

K 折交叉验证

from sklearn.cross_validation import KFold

def run_kfold(clf):
    kf = KFold(891, n_folds=10)
    outcomes = []
    fold = 0
    for train_index, test_index in kf:
        fold += 1
        X_train, X_test = X_all.values[train_index], X_all.values[test_index]
        y_train, y_test = y_all.values[train_index], y_all.values[test_index]
        clf.fit(X_train, y_train)
        predictions = clf.predict(X_test)
        accuracy = accuracy_score(y_test, predictions)
        outcomes.append(accuracy)
        print("Fold {0} accuracy: {1}".format(fold, accuracy))     
    mean_outcome = np.mean(outcomes)
    print("Mean Accuracy: {0}".format(mean_outcome)) 

run_kfold(clf)

得到：

输出结果

ids = data_test['PassengerId']
predictions = clf.predict(data_test.drop('PassengerId', axis=1))

output = pd.DataFrame({ 'PassengerId' : ids, 'Survived': predictions })
output.to_csv('titanic-predictions.csv', index = False)

小结

虽然这个入门赛题提交了比赛成绩，已经完成了这个赛题，暂时告一段落，目前排名 4986。但对于它的学习才刚刚开始，还有很多地方可以改进，还有很多值得学习的地方。如以下几点：

• 提高填补缺失值的准确度，减少数据中的噪音。
• 对于一些模糊异常值进一步检测和处理。
• 在特征工程上，寻找更多衍生特征，提高模型输入质量。
• 给重要的特征以较高的权重，将特征乘上对应的权重从而形成新的特征组。
• 尝试多种模型，对比预测结果，或者可以使用高级模型融合，只用一种模型一般达不到较好的效果。

参考链接：
【Kaggle入门级竞赛top5%排名经验分享】— 建模篇
【机器学习】Cross-Validation（交叉验证）详解

不足之处，欢迎指正。