TigerCow.Door

'Kaggle'에 해당되는 글 1건


안녕하세요. 문범우입니다.


최근 데이터분석, 인공지능 분야에 관심이 있어서 스터디를 시작하여 kaggle문제를 풀어보기 시작했습니다.

개인적으로는 김성훈 교수님의 '모두를 위한 딥러닝'과 '머신러닝 이론 및 파이썬 실습'이라는 온라인 강의를 듣고 바로 도전해보았습니다.


'머신러닝 이론 및 파이썬 실습'에서 타이타닉 문제를 바탕으로 파이썬 실습을 진행하여 해당 내용을 통해 타이타닉 문제에서 어떤식으로 데이터를 보아야 하는지 감을 익혔고 이후 정확도 80%를 목표로 생각하고 진행하였습니다.


어떻게 시작해야 할지 막막하기도 했지만 이것저것 해보고, 아래의 사이트도 참고하면서 코드를 작성하였습니다.

https://towardsdatascience.com/how-i-got-a-score-of-82-3-and-ended-up-being-in-top-4-of-kaggles-titanic-dataset-bb2875cee6b5


아직 부족한 점이 많아서, 오히려 정확도에 악영향을 미친 부분이나 애매한 부분들이 있을 수 있지만 처음 kaggle문제에 도전하시는 분들께서도 참고하시면 좋을 듯하여 나름 코드를 정리하여 포스팅하게 되었습니다.


아래에서 소개해드리는 코드는 다음 사진과 같이 Kaggle에서 80.3%의 정확도를 내었습니다.



1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
# coding: utf-8
 
# In[1]:
 
 
import pandas as pd
 
train = pd.read_csv('input/train.csv')
test = pd.read_csv('input/test.csv')
 
 
# PassengerId 는 필요없다.
# Sex 는 남/여 로 구분, 의미있는 정보라고 생각.
# Nam 은 어떻게 나눌 수 있을까?
# Pclass, Cabin 좌석별로 살 수 있는 차이가 확연히 날 것이라고 판단된다.
# -> 과연? 침몰시간에 사람들이 모두 자신들의 좌석에 있었다는 확신이 부족하다. 침몰시간을 살펴보자.
# Fare? 흠
# Embarked 어디서 탔는지.. 충분히 고려해볼만한 정보일 것
# 남은건, Age, SibSp, Parch
 
# In[2]:
 
 
import matplotlib.pyplot as plt
get_ipython().run_line_magic('matplotlib''inline')
import seaborn as sns
sns.set() #setting seaborn default for plots
 
 
# ### age에서 nan값을 채워줘야하는데, nan값을 가진 사람들의 특징을 고려해보아야 하지 않을까?
 
# In[3]:
 
 
age_nan_rows = train[train['Age'].isnull()]
 
 
# In[4]:
 
 
age_nan_rows.head()
 
 
# ### 먼저 가장 간단한 성별을 0,1로 표시
 
# In[5]:
 
 
from sklearn.preprocessing import LabelEncoder
train['Sex'= LabelEncoder().fit_transform(train['Sex'])
test['Sex'= LabelEncoder().fit_transform(test['Sex'])
 
 
# In[6]:
 
 
train.head(10)
 
 
# In[7]:
 
 
test.head()
 
 
# ### 이름의 뒷부분을 고려하기엔 케이스가 너무 많아진다. 이름에서 앞의 성만 따서 생각해보자.
 
# In[8]:
 
 
train['Name'= train['Name'].map(lambda x: x.split(',')[1].split('.')[0].strip())
titles = train['Name'].unique()
titles
test['Name'= test['Name'].map(lambda x: x.split(',')[1].split('.')[0].strip())
test_titles = test['Name'].unique()
test_titles
 
 
# In[9]:
 
 
titles
 
 
# In[10]:
 
 
test_titles
 
 
# ### 나이의 nan값을 채워주기 위해서, 이름의 성별로 중간값을 구하자.
# 남자별, 여자별로 나누어도 좋지만 성별로 하는 것이 더 정확하지 않을까?
# 하지만 성별로 나누는 것도 정확한 기준이 부족하다. 해당 부분에 대해서 좀 더 생각해볼 필요가 있다.
 
# In[11]:
 
 
train['Age'].fillna(-1, inplace=True)
test['Age'].fillna(-1, inplace=True)
 
medians = dict()
for title in titles:
    median = train.Age[(train["Age"!= -1& (train['Name'== title)].median()
    medians[title] = median
 
 
# In[12]:
 
 
for index, row in train.iterrows():
    if row['Age'== -1:
        train.loc[index, 'Age'= medians[row['Name']]
 
for index, row in test.iterrows():
    if row['Age'== -1:
        test.loc[index, 'Age'= medians[row['Name']]
 
train.head()
 
 
# In[13]:
 
 
medians
 
 
# In[14]:
 
 
test.isnull().sum()
 
 
# In[15]:
 
 
train.isnull().sum()
 
 
# In[16]:
 
 
test.head()
 
 
# In[17]:
 
 
test.head()
 
 
# In[18]:
 
 
test.isnull().sum()
 
 
# In[19]:
 
 
train.isnull().sum()
 
 
# In[20]:
 
 
test_age_nan_rows = test[test['Age'].isnull()]
 
 
# In[21]:
 
 
test_age_nan_rows
 
 
# In[22]:
 
 
train.head()
 
 
# ### 각 이름별로 산사람과 죽은 사람을 비교해보자.
 
# In[23]:
 
 
fig = plt.figure(figsize=(15,6))
 
i=1
for title in train['Name'].unique():
    fig.add_subplot(36, i)
    plt.title('Title : {}'.format(title))
    train.Survived[train['Name'== title].value_counts().plot(kind='pie')
    i += 1
 
 
# ### 각 이름별로 많이 죽은 성 -> 적게 죽은 성 순서로 값을 매기자
 
# In[24]:
 
 
title_replace = {
    'Don':0,
    'Rev':0,
    'Capt':0,
    'Jonkheer':0,
    'Mr':1,
    'Dr':2,
    'Major':3,
    'Col':3,
    'Master':4,
    'Miss':5,
    'Mrs':6,
    'Mme':7,
    'Ms':7,
    'Lady':7,
    'Sir':7,
    'Mlle':7,
    'the Countess':7
}
 
 
# In[25]:
 
 
train['Name'].unique()
 
 
# ### test에는 Dona라는 성이 있지만, train에는 없다.
 
# In[26]:
 
 
test['Name'].unique()
 
 
# In[27]:
 
 
test[test['Name'== 'Dona']
 
 
# In[28]:
 
 
train['Name'= train['Name'].apply(lambda x: title_replace.get(x))
 
 
# In[29]:
 
 
train.head()
 
 
# In[30]:
 
 
test['Name'= test['Name'].apply(lambda x: title_replace.get(x))
 
 
# In[31]:
 
 
test.isnull().sum()
 
 
# In[32]:
 
 
test[test['Name'].isnull()]
 
 
# ### Dona성을 가진 사람은 해당 성별에서 name에 대한 중간값을 넣어주자.
 
# In[33]:
 
 
test[test['Sex'== 0]['Name'].mean()
 
 
# In[34]:
 
 
train[train['Sex'== 0]['Name'].mean()
 
 
# In[35]:
 
 
test[test['Name'].isnull()]['Sex']
 
 
# In[36]:
 
 
test[test['Name'].isnull()]['Name']
 
 
# In[37]:
 
 
test['Name'= test['Name'].fillna(value=train[train['Sex'== 0]['Name'].mean())
 
 
# In[38]:
 
 
test.head()
 
 
# In[39]:
 
 
test.isnull().sum()
 
 
# In[40]:
 
 
train.isnull().sum()
 
 
# In[41]:
 
 
train_test_data = [train, test]
 
 
# ### 나이를 세분화하자, 10살부터 5살 단위로 60살까지
 
# In[42]:
 
 
for dataset in train_test_data:
    dataset.loc[ dataset['Age']<=10'Age'= 0,
    dataset.loc[(dataset['Age']>10)&(dataset['Age']<=16), 'Age'= 1,
    dataset.loc[(dataset['Age']>16)&(dataset['Age']<=20), 'Age'= 2,
    dataset.loc[(dataset['Age']>20)&(dataset['Age']<=26), 'Age'= 3,
    dataset.loc[(dataset['Age']>26)&(dataset['Age']<=30), 'Age'= 4,
    dataset.loc[(dataset['Age']>30)&(dataset['Age']<=36), 'Age'= 5,
    dataset.loc[(dataset['Age']>36)&(dataset['Age']<=40), 'Age'= 6,
    dataset.loc[(dataset['Age']>40)&(dataset['Age']<=46), 'Age'= 7,
    dataset.loc[(dataset['Age']>46)&(dataset['Age']<=50), 'Age'= 8,
    dataset.loc[(dataset['Age']>50)&(dataset['Age']<=60), 'Age'= 9,
    dataset.loc[ dataset['Age']>60'Age'= 10
 
 
# ### 나눈 나이에 대해 나이별로 죽은사람과 산사람 비율을 확인하자
 
# In[43]:
 
 
fig = plt.figure(figsize=(15,6))
 
i=1
for age in train['Age'].unique():
    fig.add_subplot(36, i)
    plt.title('Age : {}'.format(age))
    train.Survived[train['Age'== age].value_counts().plot(kind='pie')
    i += 1
 
 
# ### 이 또한 name과 같이 값을 매기자
 
# In[44]:
 
 
age_point_replace = {
    08,
    16,
    22,
    34,
    41,
    57,
    63,
    72,
    85,
    94,
    100
    
}
 
 
# In[45]:
 
 
for dataset in train_test_data:
    dataset['age_point'= dataset['Age'].apply(lambda x: age_point_replace.get(x))
 
 
# In[46]:
 
 
train.head()
 
 
# In[47]:
 
 
train.head()
 
 
# In[48]:
 
 
test.head()
 
 
# In[49]:
 
 
train.head()
 
 
# ### Embarked가 nan인 사람은 S로 채워주자. 이를 보다 근거있는 값으로 채울 수는 없는지 고민해보자.
 
# In[50]:
 
 
for dataset in train_test_data:
    dataset['Embarked'= dataset['Embarked'].fillna('S')
 
 
# In[51]:
 
 
embarked_mapping = {'S':0'C':1'Q':2}
for dataset in train_test_data:
    dataset['Embarked'= dataset['Embarked'].map(embarked_mapping)
 
 
# In[52]:
 
 
train.head()
 
 
# In[53]:
 
 
train.head()
 
 
# ### SibSp와 Parch값을 이용하여 FamilySize를 추가한다.
 
# In[54]:
 
 
for dataset in train_test_data:
    dataset['FamilySize'= dataset['SibSp'+ dataset['Parch'+ 1
 
 
# ### FamilySize가 4보다 큰 남자는 아버지일 확률이 높다.
# 사회적으로 아버지는 자신의 가족을 먼저 살리려고 할 것이라 생각했다.
# 여기에 나이도 추가하면 더 좋을수도 있다.
 
# In[55]:
 
 
maybe_dad_mask = (train['FamilySize'> 4& (train['Sex'== 1)
 
 
# In[56]:
 
 
maybe_dad_mask.head()
 
 
# In[57]:
 
 
train['maybe_dad'= 1
 
 
# In[58]:
 
 
train.head()
 
 
# In[59]:
 
 
train.loc[maybe_dad_mask,'maybe_dad'= 0
 
 
# In[60]:
 
 
train[train['maybe_dad'== 0].head()
 
 
# ### 그럼 아버지로 분류된 사람들이나 아버지가 아닌 사람으로 분류된 사람들의 생존비율은 어떻게 될까?
 
# In[61]:
 
 
# fig = plt.figure(figsize=(15,6))
 
# i=1
# for title in train['Name'].unique():
#     fig.add_subplot(3, 6, i)
#     plt.title('Title : {}'.format(title))
#     train.Survived[train['Name'] == title].value_counts().plot(kind='pie')
#     i += 1
fig = plt.figure()
ax1 = train.Survived[train['maybe_dad'== 1].value_counts().plot(kind='pie')
 
 
# In[62]:
 
 
ax2 = train.Survived[train['maybe_dad'== 0].value_counts().plot(kind='pie')
 
 
# In[63]:
 
 
test['maybe_dad'= 1
test_maybe_dad_mask = (test['FamilySize'> 4& (test['Sex'== 1)
test.loc[test_maybe_dad_mask,'maybe_dad'= 0
 
 
# In[64]:
 
 
test.head()
 
 
# ### FamilySize에 대해서도 새롭게 값을 매기자. 그러기 위해 FamilySize별로 생존비율 확인
 
# In[65]:
 
 
train['FamilySize'].unique()
 
 
# In[66]:
 
 
test['FamilySize'].unique()
 
 
# In[67]:
 
 
fig = plt.figure(figsize=(15,6))
 
i=1
for size in train['FamilySize'].unique():
    fig.add_subplot(36, i)
    plt.title('Size : {}'.format(size))
    train.Survived[train['FamilySize'== size].value_counts().plot(kind='pie')
    i += 1
 
 
# In[68]:
 
 
size_replace = {
    13,
    25,
    36,
    47,
    52,
    61,
    74,
    80,
    110
}
 
 
# In[69]:
 
 
for dataset in train_test_data:
    dataset['fs_point'= dataset['FamilySize'].apply(lambda x: size_replace.get(x))
    dataset.drop('FamilySize',axis=1,inplace=True)
 
 
# In[70]:
 
 
train.head()
 
 
# In[71]:
 
 
train.isnull().sum()
 
 
# In[72]:
 
 
test.isnull().sum()
 
 
# ### Pclass별로 생존비율 확인후 새로운 값 매기기
 
# In[73]:
 
 
fig = plt.figure(figsize=(15,6))
 
i=1
for x in train['Pclass'].unique():
    fig.add_subplot(36, i)
    plt.title('Pclass : {}'.format(x))
    train.Survived[train['Pclass'== x].value_counts().plot(kind='pie')
    i += 1
 
 
# In[74]:
 
 
for dataset in train_test_data:
    dataset.loc[dataset['Pclass']==3,'Pclass_point'= 0
    dataset.loc[dataset['Pclass']==2,'Pclass_point'= 1
    dataset.loc[dataset['Pclass']==1,'Pclass_point'= 2
 
 
# In[75]:
 
 
train.head()
 
 
# ### Embarked 별로
 
# In[76]:
 
 
fig = plt.figure(figsize=(15,6))
 
i=1
for x in train['Embarked'].unique():
    fig.add_subplot(36, i)
    plt.title('Em : {}'.format(x))
    train.Survived[train['Embarked'== x].value_counts().plot(kind='pie')
    i += 1
 
 
# In[77]:
 
 
for dataset in train_test_data:
    dataset.loc[dataset['Embarked']==0,'Em_point'= 0
    dataset.loc[dataset['Embarked']==2,'Em_point'= 1
    dataset.loc[dataset['Embarked']==1,'Em_point'= 2
 
 
# In[78]:
 
 
train.head()
 
 
# In[79]:
 
 
train.isnull().sum()
 
 
# ### Cabin은 해당인원의 숙소? 가 어디있는지에 대한 값이다. 하지만 아래와 같이 값이 너무 다양하다. 뒤의 숫자는 빼고 고려해보자
 
# In[80]:
 
 
train['Cabin'].unique()
 
 
# ### Cabin이 nan값인 사람들은 U로 채우자. U는 단지 nan값을 나타내는 문자열이다.
# ### 이를 Fare데이터와 비교해서 넣어도 좋을 것 같다. Fare의 nan값은 1개라서 일단 0으로 넣었다.
 
# In[81]:
 
 
for data in train_test_data:
    data['Cabin'].fillna('U', inplace=True)
    data['Cabin'= data['Cabin'].apply(lambda x: x[0])
    data['Cabin'].unique()
    data['Fare'].fillna(0,inplace=True)
    data['Fare'= data['Fare'].apply(lambda x: int(x))
 
 
# ### Cabin별로 생존비율 확인
 
# In[82]:
 
 
fig = plt.figure(figsize=(15,6))
 
i=1
for x in train['Cabin'].unique():
    fig.add_subplot(36, i)
    plt.title('Cabin : {}'.format(x))
    train.Survived[train['Cabin'== x].value_counts().plot(kind='pie')
    i += 1
 
 
# ### Fare의 값도 너무 다양하다. 왜 그러지? 이에 대해서 궁금하다.
# 일단 이를 그대로 처리하는 것은 힘들 것 같다. 이 또한 구간별로 나누어 생각해보자.
 
# In[83]:
 
 
temp = train['Fare'].unique()
temp.sort()
temp
 
 
# In[84]:
 
 
for dataset in train_test_data:
    dataset.loc[ dataset['Fare']<=30'Fare'= 0,
    dataset.loc[(dataset['Fare']>30)&(dataset['Fare']<=80), 'Fare'= 1,
    dataset.loc[(dataset['Fare']>80)&(dataset['Fare']<=100), 'Fare'= 2,
    dataset.loc[(dataset['Fare']>100), 'Fare'= 3
 
 
# ### 아까 Cabin의 값을 U로 넣어준 사람들에게 존재하는 Cabin값으로 넣어주기 위해 각 Cabin별로 어떤 Fare범위가 가장 많은지 확인하고 해당 값으로 U값을 대체한다.
 
# In[85]:
 
 
fig = plt.figure(figsize=(15,6))
 
i=1
for x in train['Cabin'].unique():
    fig.add_subplot(36, i)
    plt.title('Cabin : {}'.format(x))
    train.Fare[train['Cabin'== x].value_counts().plot(kind='pie')
    i += 1
 
 
# In[86]:
 
 
for dataset in train_test_data:
    dataset.loc[(dataset['Cabin'== 'U')&(dataset['Fare'== 0), 'Cabin'= 'G',
    dataset.loc[(dataset['Cabin'== 'U')&(dataset['Fare'== 1), 'Cabin'= 'T',
    dataset.loc[(dataset['Cabin'== 'U')&(dataset['Fare'== 2), 'Cabin'= 'C',
    dataset.loc[(dataset['Cabin'== 'U')&(dataset['Fare'== 3), 'Cabin'= 'B',
 
 
# In[87]:
 
 
fig = plt.figure(figsize=(15,6))
 
i=1
for x in train['Cabin'].unique():
    fig.add_subplot(36, i)
    plt.title('Cabin : {}'.format(x))
    train.Fare[train['Cabin'== x].value_counts().plot(kind='pie')
    i += 1
 
 
# ### Cabin의 값 별로 생존여부 확인
 
# In[88]:
 
 
fig = plt.figure(figsize=(15,6))
 
i=1
for x in train['Cabin'].unique():
    fig.add_subplot(36, i)
    plt.title('Cabin : {}'.format(x))
    train.Survived[train['Cabin'== x].value_counts().plot(kind='pie')
    i += 1
 
 
# In[89]:
 
 
for dataset in train_test_data:
    dataset.loc[(dataset['Cabin'== 'G'), 'Cabin_point'= 0,
    dataset.loc[(dataset['Cabin'== 'C'), 'Cabin_point'= 3,
    dataset.loc[(dataset['Cabin'== 'E'), 'Cabin_point'= 5,
    dataset.loc[(dataset['Cabin'== 'T'), 'Cabin_point'= 1,
    dataset.loc[(dataset['Cabin'== 'D'), 'Cabin_point'= 7,
    dataset.loc[(dataset['Cabin'== 'A'), 'Cabin_point'= 2,
    dataset.loc[(dataset['Cabin'== 'B'), 'Cabin_point'= 6,
    dataset.loc[(dataset['Cabin'== 'F'), 'Cabin_point'= 4,
 
 
# In[90]:
 
 
train.head()
 
 
# ### Fare별로 생존여부확인 및 점수 대체
 
# In[91]:
 
 
fig = plt.figure(figsize=(15,6))
 
i=1
for x in train['Fare'].unique():
    fig.add_subplot(36, i)
    plt.title('Fare : {}'.format(x))
    train.Survived[train['Fare'== x].value_counts().plot(kind='pie')
    i += 1
 
 
# In[92]:
 
 
for dataset in train_test_data:
    dataset.loc[(dataset['Fare'== 0), 'Fare_point'= 0,
    dataset.loc[(dataset['Fare'== 1), 'Fare_point'= 1,
    dataset.loc[(dataset['Fare'== 2), 'Fare_point'= 3,
    dataset.loc[(dataset['Fare'== 3), 'Fare_point'= 2,
 
 
# In[93]:
 
 
# for dataset in train_test_data:
#     dataset['parent'] = 1
#     dataset.loc[(dataset['Parch'] > 0) & (dataset['Age'] >= 4), 'parent'] = 0
 
 
# In[94]:
 
 
# train.Survived[train['parent'] == 1].value_counts().plot(kind='pie')
 
 
# In[95]:
 
 
# train.Survived[train['parent'] == 0].value_counts().plot(kind='pie')
 
 
# ### 모든 값을 정규화? 한다. 정규화랑 좀 다른 것일지도 모른다. 해당 내용에 대해서는 한번 더 공부가 필요하다.
# 단지 이것을 하지 않았을 때 보다 했을 때 결과가 더 좋았다.. 왜일까?
 
# In[96]:
 
 
from sklearn.preprocessing import StandardScaler
for dataset in train_test_data:
    dataset['Name'= StandardScaler().fit_transform(dataset['Name'].values.reshape(-11))
    dataset['Sex'= StandardScaler().fit_transform(dataset['Sex'].values.reshape(-11))
    dataset['maybe_dad'= StandardScaler().fit_transform(dataset['maybe_dad'].values.reshape(-11))
    dataset['fs_point'= StandardScaler().fit_transform(dataset['fs_point'].values.reshape(-11))
    dataset['Em_point'= StandardScaler().fit_transform(dataset['Em_point'].values.reshape(-11))
    dataset['Cabin_point'= StandardScaler().fit_transform(dataset['Cabin_point'].values.reshape(-11))
    dataset['Pclass_point'= StandardScaler().fit_transform(dataset['Pclass_point'].values.reshape(-11))
    dataset['age_point'= StandardScaler().fit_transform(dataset['age_point'].values.reshape(-11))
    dataset['Fare_point'= StandardScaler().fit_transform(dataset['Fare_point'].values.reshape(-11))
 
 
# ### 필요없는 속성 지우기
 
# In[97]:
 
 
train.drop(['PassengerId','Pclass','SibSp','Parch','Ticket','Fare','Embarked','Cabin','Age'], axis=1, inplace=True)
test.drop(['Pclass','SibSp','Parch','Ticket','Fare','Embarked','Cabin','Age'], axis=1, inplace=True)
 
 
# In[98]:
 
 
train.head()
 
 
# In[99]:
 
 
train_data = train.drop('Survived', axis=1)
target = train['Survived']
 
 
# In[100]:
 
 
train_data.head()
 
 
# In[101]:
 
 
target.head()
 
 
# In[102]:
 
 
test.shape
 
 
# In[103]:
 
 
train.shape
 
 
# In[104]:
 
 
train_data.shape
 
 
# ### SVC를 이용하여 결과를 만들었다.
 
# In[105]:
 
 
 
# Importing Classifier Modules# Import 
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.svm import SVC
 
import numpy as np
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
k_fold = KFold(n_splits=10, shuffle=True, random_state=0)
clf = SVC()
# clf = DecisionTreeClassifier()
clf.fit(train_data, target)
 
test_data = test.drop("PassengerId", axis=1).copy()
prediction = clf.predict(test_data)
submission = pd.DataFrame({
        "PassengerId": test["PassengerId"],
        "Survived": prediction
    })
 
submission.to_csv('submission_test1.csv', index=False)
submission = pd.read_csv('submission_test1.csv')
submission.head()
 
 
cs


jupyter notebook에서 작성한 코드를 python 코드로 그대로 가져와 가독성이 매우 떨어질 수 있습니다.

아래의 github에서는 보다 보기 좋게 확인하실 수 있습니다.


https://github.com/doorBW/kaggle_practice/blob/master/titanic/80pcts_solution_180603/Beomwoo_Titanic_solution.ipynb

'Kaggle' 카테고리의 다른 글

Kaggle 타이타닉(Titanic) 80.3% 성공 후기 및 코드  (0) 2018.06.04
블로그 이미지

Tigercow.Door

Data-Analysis / AI / back-end / Algorithm / DeepLearning / etc