【初心者用】機械学習Titanicチュートリアル

はじめに

機械学習を勉強し始めましたので、Kaggleの初心者向けTitanicチュートリアルをやってみました。
kaggleでコンテストの詳細とフローを学び、最初の提出を行いました。

Challenge

Titanicの乗客データ（name, age, price of ticket, etc）を使用して、誰がSurvived、誰がDeadかを予測する

Data

データには、3つのファイルがあります。
（1）train.csv、
（2）test.csv
（3）gender_submission.csv

(1) train.csv

891 passengers詳細データ、

Survivedカラムの値で、aliveかdeadの判断できるデータ。
1の場合, survived
0の場合, dead

(2) test.csv

上記のtrain.csvファイルで見つけたパターンを使用して、test.csv内の他の418人の乗客がSurvivedかどうかを予測する。
test.csvファイルにはSurvivedカラムがないです。

(3) gender_submission.csv

予測をどのように考えるかの例です。
この例で、すべての女性の乗客→Survived、すべての男性の乗客→Deadことを予測しています。
PassengerIdとSurvivedのカラムMUSTで入ってれば、違う予測を考えても良いです。

Code

ここで予測を改善するために、機械学習モデルをトレーニングします。

コードを実行するために好きのnotebookを使う,私kaggle notebookを使ってました。
・kaggle notebook/jupyter notebook/google colab

・データが保存されている場所が示される

・データをロードする

* ↑head()で最初の5行しか表示されない

GOAL:
test.csvの乗客がSurvivedかどうかを予測するのに役立つtrain.csvのパターンを見つけたい!

pattern探し

今回は、一番最初に例としてもらった、パターンを使います。
gender_submission.csv、(Assume)
・すべての女性の乗客 → Survived
・すべての男性の乗客 → Dead

このパターンがtrain.csvデータに当てはまるかどうかを確認する

上記の結果を見ると、75%女性の乗客がSurvived

一つのカラムのみで予測するのも中々難しいので、色んなカラムを使ってmachine learning modelでやる。

最初の機械学習モデル

random forest modelをbuildする

データの以下のカラム、"Pclass", "Sex", "SibSp", and "Parch"でパターンを検索するモデルです。
train.csvのパターンに対して、random forest modelでtreeを作成し、test.csvのデータに対してpredictionsする。（->submission.csv)

結果：

• 上記のデータの詳細を確認方法、グラフ化表示

  • train_data.info　を実行するとファイルの詳細確認できる
  • shape、describeでレコード数と形を確認
  • 最後にmatplotlib、seabornを使って結果をグラフ化にしてみました。

1回目の勉強ここまででした。
機械学習、モデルなどを勉強中です↓。次のtopicも勉強終わったら記事にまとめます。
https://www.kaggle.com/learn/intro-to-machine-learning

参考：
https://www.kaggle.com/
https://www.geeksforgeeks.org/random-forest-classifier-using-scikit-learn/
https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html
https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.head.html