泰坦尼克号乘客生存预测：单因素分析和随机森林模型

本文以泰坦尼克号灾难数据集为例，探讨乘客生存概率的影响因素，并使用机器学习模型进行预测。

1. 单因素分析

使用逻辑回归对训练集进行单因素分析，发现以下因素显著影响乘客生存概率：

年龄（'Age'）：年龄越小，生存概率越高。
性别（'Sex'）：女性生存概率远高于男性。
船票等级（'Pclass'）：'Pclass'为1的乘客生存概率高于'Pclass'为2和3的乘客。
亲属关系（'SibSp' 和 'Parch'）：'SibSp' 和 'Parch' 为0的乘客生存概率较低，而 'SibSp' 和 'Parch' 为1到3的乘客生存概率较高。
登船港口（'Embarked'）：从'C'港口登船的乘客生存概率高于从'S'和'Q'港口登船的乘客。

2. 随机森林模型

利用训练集数据构建随机森林模型，并使用测试集进行预测。模型选择了以下特征：'Pclass'、'Sex'、'Age'、'SibSp'、'Parch'、'Fare'、'Embarked'。对于缺失值，使用中位数进行填充（'Age' 和 'Fare'），对于类别型特征，使用One-Hot编码进行处理（'Sex' 和 'Embarked'）。在建模前，将数据集进行划分，80%的数据用于训练，20%的数据用于验证。通过网格搜索调参，得到最佳的模型参数。

最终，使用测试集进行预测，将结果按照Kaggle网站的格式要求进行编辑，并提交Kaggle网站获得预测得分。得到的预测得分为0.77990，结果如下图所示：

可以看到，得分较Kaggle网站提供的基于性别信息进行的预测结果（0.76555）略高。

3. 总结

通过单因素分析和随机森林模型，可以有效地预测泰坦尼克号乘客的生存概率。模型结果表明年龄、性别、船票等级、亲属关系和登船港口等因素是影响生存概率的重要因素。该模型的预测得分高于仅基于性别信息的预测结果，证明了模型的有效性。

数据集链接

训练集：https://www.kaggle.com/competitions/titanic/data
测试集：https://www.kaggle.com/competitions/titanic/data

参考资料