数据挖掘实验报告-综合实验2-分类与预测的综合实验.pdfVIP

数数据据挖挖掘掘实实验验报报告告-综综合合实实验验2-分分类类与与预预测测的的综综合合实实验验

湖南财政经济学院学⽣实验报告

学院：信息技术与管学院

课程名称：数据分析与挖掘

教学班级：信息管与信息系统

姓名：XXXXX学号：XXXXX

实验报告

⼀、实验⽬的和要求：

1.实验⽬的

泰坦尼克号事故相信⼤家都知道，这次的实验任务就跟这次事故的数据集有关。

泰坦尼克号问题之背景，就是那个⼤家都熟悉的“JackandRose”的故事，豪华游艇沉没了，⼤家都惊恐逃⽣，可是救⽣艇的数

量有限，⽆法⼈⼈都有，副船长发话了“ladyandkidfirst！”，但最后哪些⼈获救了呢？我们收集到的训练和测试数据是⼀些乘

客的个⼈信息以及存活状况，要尝试根据它⽣成合适的模型并预测其他⼈的存活状况。这是⼀个⼆分类问题。

下表是泰坦尼克号船上⼈员数据，表中包含12个字段信息，其意义如下：

PassengerId=乘客ID

Pclass=乘客等级(1/2/等舱位)（属性代表船舱等级，1-⼀等舱，2-⼆等舱，-三等舱，从⼀定程度上反应了这个乘客经济情

况和社会地位。）

Name=乘客姓名

Sex=性别

Age=年龄

SibSp=堂兄弟/妹个数

Parch=⽗母与⼩孩个数

Ticket=船票信息（字母与数字具体代表什么信息，需要猜测分析判断）

Fare=票价

Cabin=客舱

Embarked=登船港⼝

Survived=乘客是否获救

可以看出该数据集共有12个变量，各变量说明如下。

（友情提⽰：这是竞赛组织⽅提供的原始数据集，⼩⼼处，有可能你在读⼊数据集时就会抓狂！）

请根据titanic_train.csv数据集，利⽤多种分类模型(⾄少三个)预测乘客是否获救与遇难，并⽐较各个模型的性能，并能在预测

时根据模型融合给出最佳预测结果。报告中要体现详细的分析过程和分析由，并截取相应的实验步骤与实验结果图。

2.实验要求

机器学习⼀般⼯作流程如下图所⽰。

1）分析问题性质，这是⼀个分类还是聚类问题，若是分类问题，分析属性集和⽬标类，选定可适⽤的算法有哪些？（也可根

据算法调整属性集中的属性类型，如连续变离散等，解决问题的⽅法不⽌⼀个。）

2）解数据和认识数据，完成数据的初步探索。

(1)缺失值处：针对age、Carbin和Emarked三个属性上的缺失值根据属性类型和数据解进⾏相应的缺失值处，给出

由；

(2)观察与统计乘客的各个属性与获救之间的关系。下⾯初步给出了5条可能存在的相关性，除此之外，同学们还可以列举其他

相应属性与获救之间的相关性分析。

A.乘客中获救⼈数与遇难⼈数⽐例；

B.乘客各个等级的分布状况以及与获救的关系；

C.遇难与获救⼈员年龄、性别的关系；

D.乘客各个登船⼝岸的⼈数分布以及与获救之间的关系；

E.堂兄弟/妹，孩⼦/⽗母有⼏⼈，对是否获救的影响。

）根据1）步和2）步对数据的观察及打算采取的分类算法，对属性进⾏处⽣成特征属性（⽣成适合模型算法需要的数据

表）。

可能包括的操作有：

(1)属性变换（如定性属性、定量属性间的变换）

(2)属性类型变换（如连续类型变分类类型、数据的规范化等）

()特征⽣成（根据现有属性导出新属性、分类类型转换为⼆元标志类型等）

(4)特征选择与主成分分析

4)构建分类模型，并进⾏模型的性能⽐较。

注意：没有绝对的机器学习算法优劣，也没有绝对的⾼性能的机器学习算法，只有在特定的场景、数据和特征下更合适的机器

学习算法。因此构建各个分类模型，重在分析其适应性。

5）模型融合。

模型融合的⼤意就是：当我们⼿头上有⼀堆在同⼀份数据集上训练得到的分类器(⽐如

C5.0，CR树,贝叶斯⽹络,SVM，神经⽹络等)，我们让他们都分别去做判定，然后对结果做投票统计，取票数最多的结果为

最后结果。模型融合可以⽐较好地缓解训练过程中产⽣的过拟合问题，从⽽对于结果的准确度提升有⼀定的帮助。在单个模型

上也可以做融合，这就是Bagging和boosting技术。

（友情提⽰：这是kaggle⽐赛中的Titanic预测⽣存情况，⼤家可以⽹上查找相关的资料，借鉴前⼈的经验会让你的⼯作更有头

绪和轻松些！）

摘要

泰坦尼克号（RMSTitanic）是⼀艘奥林匹克级邮轮，于1912年4⽉处⼥航时遇上冰⼭沉没。泰坦尼克号由位于爱尔兰岛贝尔法

斯特的哈兰德与沃尔夫造船⼚兴建，是当时最⼤的客运轮船。在她的处⼥航中，泰坦尼克号从英国南安普敦出发，途经法国瑟

堡-奥克特维尔以及爱尔兰昆⼠敦，计划中的⽬的地为美国纽约，