我们相信：世界是美好的，你是我也是。 来玩一下解压小游戏吧！

对这个泰坦尼克数据集已经反复分析了好多次了，在本文中就根据这个数据集的其中一个版本，叫做xgboost的预测。其实，用什么模型来预测，都会有数据结果。不同的就是：预测的精准度的问题。可谓是条条大路通罗马，款款预测有结果。

苏南大叔：机器学习，如何使用xgboost预测泰坦尼克数据集结果？ - 泰坦尼克号数据-xgboost
机器学习，如何使用xgboost预测泰坦尼克数据集结果？（图1-1）

苏南大叔的“程序如此灵动”博客，记录苏南大叔的代码编程经验文章。测试环境：python@3.12.3，pandas@2.2.2，numpy@1.26.4，xlrd@2.0.1，openpyxl@3.1.2，scikit-learn@1.5.0，xgboost@2.0.3。

前置文章

本文的正确理解，建立在对泰坦尼克数据集字段的正确理解上。所以，参考文章：

应该知道：网络上的泰坦尼克数据集有很多个版本，每个版本的字段写法都不一样。具体的数据情况，也不一样。所以，加载使用这些数据集的方式方法也不一样。

拿到数据之后，要根据每个数据集的具体情况和目标需求，对数据集进行一定的加工处理。参考文章：

苏南大叔使用xgboost对鸢尾花数据集进行预测的文章，可以参考：

数据初步处理

本文使用的泰塔尼克数据集来自斯坦福大学的公开版本，加载地址是：

这个斯坦福的数据集版本，字段比较少，并且没有空值，没有重复值。

import pandas as pd
df = pd.read_csv("titanic.csv")
print(df.count())
Python

输出：

Survived                   887
Pclass                     887
Name                       887
Sex                        887
Age                        887
Siblings/Spouses Aboard    887
Parents/Children Aboard    887
Fare                       887
dtype: int64
Plain text

关于数据处理的部分，每个人都有自己的不同理解。参考代码：

df = df.drop_duplicates()
df = df.drop('Name', axis=1)
df = pd.get_dummies(df, columns=['Pclass', 'Sex'], drop_first=True)
print(df.count())
Python

输出：

Survived                   887
Age                        887
Siblings/Spouses Aboard    887
Parents/Children Aboard    887
Fare                       887
Pclass_2                   887
Pclass_3                   887
Sex_male                   887
dtype: int64
Plain text

数据分割

【首要目标】就是：分割目标字段和特性字段。目标字段当然是Survived了，所以分割代码为：

target = df['Survived']
features = df.drop('Survived', axis=1)
Python

这里的.drop方法，可以参考：

【其次目标】就是：分割训练集和测试集。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_true = train_test_split(features, target, test_size=0.25, random_state=42)
Python

关于这个数据集分割的方法，可以参考：

模型预测

模型预测的代码很少，重复度也很高。每个模型大体上来说，就是换换模型的名称。

import xgboost as xgb
model = xgb.XGBClassifier()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
Python

预测的准确率

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
s = accuracy_score(y_true, y_pred)
print("准确度  ： ", s)
Python

关于准确度和查准率的区分，可以参考：

F1评分

更加权威的模型评价方法是classification_report()。

from sklearn.metrics import classification_report
n = classification_report(y_true, y_pred)
print(n)
Python

输出：

              precision    recall  f1-score   support

           0       0.85      0.85      0.85       140
           1       0.74      0.74      0.74        82

    accuracy                           0.81       222
   macro avg       0.80      0.80      0.80       222
weighted avg       0.81      0.81      0.81       222
Plain text

目标值阴性的数据条数为140，目标值阳性的数据条数为82。f1得分越高，表示这个模型越精准。所以，这个xgboost模型，对于当前数据集来说，效果还算不错。

参考文章：

字段重要性排序

feat_importances = pd.Series(model.feature_importances_, index=features.columns)
print(feat_importances.sort_values(ascending=False))
Python

输出：

Sex_male                   0.532251
Pclass_3                   0.306623
Siblings/Spouses Aboard    0.056289
Parents/Children Aboard    0.030514
Fare                       0.028949
Age                        0.028162
Pclass_2                   0.017212
dtype: float32
Plain text

这个结果表示的是：性别sex以及票等级pclass这两个字段比较重要。不过这个结论有待论证。

结束语

如果对于模型预测的结果不满意，可以调整训练集的样本。更多机器学习的文章，可以参考苏南大叔的博客：

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。

 【福利】 腾讯云最新爆款活动！1核2G云服务器首年50元！

 【源码】本文代码片段及相关软件，请点此获取更多信息

 【绝密】秘籍文章入口，仅传授于有缘之人   python