はじめに
なにやらkaggleというデータ分析コンペが面白いらしいぞ？というミーハーな興味から出発し、とりあえずチュートリアルとして有名なtitanic問題を決定木で解いて提出してみた記録です。全く以って、玄人向けではありませんのでご容赦ください。
titanic問題？
kaggleというデータ分析コンペサイトに載っている問題は、いくつかのレベル分けがされているようで、そのなかのチュートリアルの１つにtitanic問題があるようです。（https://www.kaggle.com/c/titanic）
まずはここからtrain.csv,test.csvの２つのデータをDLします。
分析の流れとしては次のようなことをしていきます。
- train.csv,test.csvのデータの中身を覗き、大体どういうデータなのか把握する
- 欠損値、定性値があればそれを処理する
- train.csvを使って決定木モデルを作成する
- test.csvを使って評価
- kaggleに提出し、スコアを確認する
データの中身を覗き、大体どういうデータなのか把握する
まずは必要なライブラリをインポートします
import numpy as np
import pandas as pd
import sklearn as sk
import matplotlib.pyplot as plt
import seaborn as sns
DLしたデータを格納します
train=pd.read_csv("~~~/train.csv")
test=pd.read_csv("~~~/test.csv")
どんな感じのデータかというと、、、
train.head()
欠損値があるかどうか
train.isnull().sum()
"Age"の欠損値はとりあえず除き、"Embarked"の欠損はSで埋める方向でやってみる
train["Age"]=train["Age"].dropna
train["Embarked"]=train["Embarked"].fillna("S")
次は決定木モデルの作成をします。