本文主要是介绍Titanic沉船数据集之获救乘客预测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
项目目标：
Titanic数据集是我们进入到机器学习领域中的第一个数据集，同我们学习编程的第一句程序语言（‘hello,world’）是一样的。通过对该数据集进行机器学习建模，掌握Numpy,Pandas,Matplotlib,Sklearn等常用数据分析库的使用，并掌握机器学习的完成流程数据预处理 - 建立基础模型 - 模型评估 - 调参 - 固定模型参数。
背景介绍：
泰坦尼克沉船是震惊世界的海难事件，1912年4月15日，在它的处女航中，撞上冰川后沉没。造成了超过1502人死亡，该事件也引起了全世界对于船舶安全法规的重视。在这场灾难中，有一些因素也导致了部分乘客的获救机率比较高，如老人，小孩，上流阶层，我们的目标是利用机器学习算法来对乘客的存活情况进行预测。
数据集简介：
该数据集由两部分组成：
1.训练集：891条乘客数据
2.测试集：418条乘客数据
我们的目标是使用训练集来训练模型，使用测试集来检验模型的性能。训练集和测试集中均存在缺失值，所以在建立模型之前，需要对该数据集做预处理。
Titanic数据集中各列特征说明：
| 列名称 | 含义 |
|---|---|
| PassengerID | 乘客编号 |
| Survived | 是否获救（获救：1；未获救0） |
| Pclass | 船舱等级（1：一等舱；2：二等舱；3：三等舱） |
| Name | 乘客姓名 |
| Sex | 性别 |
| SibSp | 兄弟姐妹和妻子的人数 |
| Parch | 父母和孩子的人数 |
| Ticket | 船票编号 |
| Fare | 船票价格 |
| Cabin | 船舱编号 |
| Embarked | 登录港口 |
| Age | 乘客年龄 |
流程简介：
1.数据与处理和特征工程
- 缺失值的处理
- 类别值的处理
2.建立机器学习模型
- 线性回归（LinearRegression）
- 逻辑回归（LogisticRegression）
- 随机森林（RandomForestClassifier）
3.在测试集中评估模型效果
数据集和代码请参考：项目一：Titanic
这篇关于Titanic沉船数据集之获救乘客预测的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
