RでKaggleに参加する

私は最近Kaggleを始めた初心者です。
KaggleにはRでも参加できるということで、RでKaggleに参加しました。

ノートブックの作成

有名なチュートリアルコンペであるTitanic（タイタニック）に参加しました。
https://www.kaggle.com/competitions/titanic

CodeタブからNew Notebookボタンをクリックし、新しいノートブックを作成しました。
ノートブックを開いたら、FileタブからLanguage、Rをクリックします。
これにより、プログラミング言語をRに設定することができます。

コード

コードを記載していきます。

ライブラリの読み込み

ggplot2とdplyrを読み込みます。

library(ggplot2)
library(dplyr)

データの読み込み

read.csv()を用いて学習データ、テストデータ、提出データを読み込みます。

train = read.csv("/kaggle/input/titanic/train.csv", header = TRUE)
test = read.csv("/kaggle/input/titanic/test.csv", header = TRUE)
gender_submission = read.csv("/kaggle/input/titanic/gender_submission.csv", header = TRUE)

データの可視化

ggplot2を用いてデータを可視化します。

Survivedの可視化

Survivedのカウントを可視化します。

ggplot(train, aes(x = factor(Survived), fill = factor(Survived))) + geom_bar()

SurvivedとPclassの可視化

Pclassごとの生存率を可視化します。

survival_rate = aggregate(Survived ~ Pclass, train[c("Pclass", "Survived")], mean)
survival_rate$Pclass = factor(survival_rate$Pclass, levels = c("1", "2", "3"))
ggplot(survival_rate, aes(x = Pclass, y = Survived, fill = Pclass)) + geom_col()

PclassごとのSurvivedのカウントを可視化します。

ggplot(train, aes(x = Pclass, fill = factor(Survived))) + geom_bar(position = "dodge")

SurvivedとSexの可視化

Sexごとの生存率を可視化します。

survival_rate = aggregate(Survived ~ Sex, train[c("Sex", "Survived")], mean)
survival_rate$Sex = factor(survival_rate$Sex, levels = c("male", "female"))
ggplot(survival_rate, aes(x = Sex, y = Survived, fill = Sex)) + geom_col()

SexごとのSurvivedのカウントを可視化します。

ggplot(train, aes(x = Sex, fill = factor(Survived))) + geom_bar(position = "dodge")

SurvivedとAgeの可視化

Survivedごとのヒストグラムを作成します。

ggplot(train, aes(x = Age, fill = factor(Survived))) + geom_histogram(position = "identity", alpha = 0.5)

SurvivedとFareの可視化

Survivedごとのヒストグラムを作成します。

ggplot(train, aes(x = Fare, fill = factor(Survived))) + geom_histogram(position = "identity", alpha = 0.5)

データ前処理

trainとtestの連結

data = bind_rows(train, test)

欠損値の確認

colSums(is.na(data))

PassengerId: 0 Survived: 418 Pclass: 0 Name: 0 Sex: 0 Age: 263 SibSp: 0 Parch: 0 Ticket: 0 Fare: 1 Cabin: 0 Embarked: 0

Sex

data$Sex = as.numeric(factor(data$Sex, levels = c('male', 'female')))

Age

data$Age[is.na(data$Age)] = median(data$Age, na.rm = TRUE)

Embarked

data = data %>%
  mutate(Embarked = ifelse(is.na(Embarked), 'S', Embarked))

data$Embarked = as.numeric(factor(data$Embarked, levels = c('S', 'C', 'Q')))

Fare

data$Fare[is.na(data$Fare)] = mean(data$Fare, na.rm = TRUE)

Name、PassengerId、Ticket、Cabinの削除

delete_columns = c('Name', 'PassengerId', 'Ticket', 'Cabin')
data = data %>% select(-one_of(delete_columns))

学習データとテストデータの抽出

train = data[1:nrow(train), ]
test = data[(nrow(train) + 1):nrow(data), ]

X_train = train %>% select(-Survived)
y_train = train$Survived
X_test = test %>% select(-Survived)

学習

model = glm(y_train ~ ., data = data.frame(cbind(y_train, X_train)))

y_pred = predict(model, newdata = data.frame(X_test), type = "response")
y_pred = as.numeric(y_pred >= 0.5)

データの出力

gender_submission$Survived = as.integer(y_pred)
write.csv(gender_submission, file = "submission.csv", row.names = FALSE)

Public Scoreは0.76794でした。
RでもKaggleに参加できることがわかりました。
Rでコンペに参加することにより、Rのスキルを高めていきたいです。

参考文献

https://www.kaggle.com/learn-guide/r
https://www.kaggle.com/code/sishihara/upura-kaggle-tutorial-01-first-submission
https://ct-innovation01.xyz/DL-Freetime/kaggle-003/