캐글 타이타닉 생존자 예측
캐글 타이타닉 생존자 예측
Titanic - Machine Learning from Disaster에서 직접 머신러닝을 통해 생존자 예측 모델을 만들어보고 제출하여 성적을 받아볼 것이다.
들어가기에 앞서, 사이트에서 훈련셋(test.csv)과 테스트셋(test.csv)을 이미 잘 정리해 놓은 상태이기 때문에 이에 대해서는 따로 다루지 않고 바로 사용할 것이다.
페이지의
Data카테고리에서 확인할 수 있다.
타이타닉에 대한 정보를 찾다보니 위와 같은 사진을 찾았다. 생존자 예측을 할 때 도움이 될 수도 있을 것 같다.
기본 설정
# This Python 3 environment comes with many helpful analytics libraries installed
# It is defined by the kaggle/python Docker image: https://github.com/kaggle/docker-python
# For example, here's several helpful packages to load
import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
import matplotlib.pyplot as plt
import seaborn as sns
import missingno as msno
# Input data files are available in the read-only "../input/" directory
# For example, running this (by clicking run or pressing Shift+Enter) will list all files under the input directory
import os
for dirname, _, filenames in os.walk('/kaggle/input'):
for filename in filenames:
print(os.path.join(dirname, filename))
# You can write up to 20GB to the current directory (/kaggle/working/) that gets preserved as output when you create a version using "Save & Run All"
# You can also write temporary files to /kaggle/temp/, but they won't be saved outside of the current session
/kaggle/input/titanic/train.csv
/kaggle/input/titanic/test.csv
/kaggle/input/titanic/gender_submission.csv
데이터 다운로드와 적재
train_data = pd.read_csv('/kaggle/input/titanic/train.csv')
test_data = pd.read_csv('/kaggle/input/titanic/test.csv')
train_data, test_data와 같이 캐글에서 제공하는 훈련셋과 테스트셋을 생성할 수 있다.
head()를 사용해 각 데이터의 내용을 확인해보자.
train_data.head()
| PassengerId | Survived | Pclass | Name | Sex | Age | SibSp | Parch | Ticket | Fare | Cabin | Embarked | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 0 | 3 | Braund, Mr. Owen Harris | male | 22.0 | 1 | 0 | A/5 21171 | 7.2500 | NaN | S |
| 1 | 2 | 1 | 1 | Cumings, Mrs. John Bradley (Florence Briggs Th... | female | 38.0 | 1 | 0 | PC 17599 | 71.2833 | C85 | C |
| 2 | 3 | 1 | 3 | Heikkinen, Miss. Laina | female | 26.0 | 0 | 0 | STON/O2. 3101282 | 7.9250 | NaN | S |
| 3 | 4 | 1 | 1 | Futrelle, Mrs. Jacques Heath (Lily May Peel) | female | 35.0 | 1 | 0 | 113803 | 53.1000 | C123 | S |
| 4 | 5 | 0 | 3 | Allen, Mr. William Henry | male | 35.0 | 0 | 0 | 373450 | 8.0500 | NaN | S |
test_data.head()
| PassengerId | Pclass | Name | Sex | Age | SibSp | Parch | Ticket | Fare | Cabin | Embarked | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 892 | 3 | Kelly, Mr. James | male | 34.5 | 0 | 0 | 330911 | 7.8292 | NaN | Q |
| 1 | 893 | 3 | Wilkes, Mrs. James (Ellen Needs) | female | 47.0 | 1 | 0 | 363272 | 7.0000 | NaN | S |
| 2 | 894 | 2 | Myles, Mr. Thomas Francis | male | 62.0 | 0 | 0 | 240276 | 9.6875 | NaN | Q |
| 3 | 895 | 3 | Wirz, Mr. Albert | male | 27.0 | 0 | 0 | 315154 | 8.6625 | NaN | S |
| 4 | 896 | 3 | Hirvonen, Mrs. Alexander (Helga E Lindqvist) | female | 22.0 | 1 | 1 | 3101298 | 12.2875 | NaN | S |
데이터셋 기본 정보 확인
info()를 사용해 데이터 안에 들어있는 정보들을 확인할 수 있다.
train_data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 PassengerId 891 non-null int64
1 Survived 891 non-null int64
2 Pclass 891 non-null int64
3 Name 891 non-null object
4 Sex 891 non-null object
5 Age 714 non-null float64
6 SibSp 891 non-null int64
7 Parch 891 non-null int64
8 Ticket 891 non-null object
9 Fare 891 non-null float64
10 Cabin 204 non-null object
11 Embarked 889 non-null object
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB
범주형 특성 탐색
Dtype에 object를 자료형으로 갖는 특성은 범주형 특성이다.
train_data["Name"].value_counts()
Braund, Mr. Owen Harris 1
Boulos, Mr. Hanna 1
Frolicher-Stehli, Mr. Maxmillian 1
Gilinski, Mr. Eliezer 1
Murdlin, Mr. Joseph 1
..
Kelly, Miss. Anna Katherine "Annie Kate" 1
McCoy, Mr. Bernard 1
Johnson, Mr. William Cahoone Jr 1
Keane, Miss. Nora A 1
Dooley, Mr. Patrick 1
Name: Name, Length: 891, dtype: int64
train_data["Sex"].value_counts()
male 577
female 314
Name: Sex, dtype: int64
train_data["Ticket"].value_counts()
347082 7
CA. 2343 7
1601 7
3101295 6
CA 2144 6
..
9234 1
19988 1
2693 1
PC 17612 1
370376 1
Name: Ticket, Length: 681, dtype: int64
train_data["Cabin"].value_counts()
B96 B98 4
G6 4
C23 C25 C27 4
C22 C26 3
F33 3
..
E34 1
C7 1
C54 1
E36 1
C148 1
Name: Cabin, Length: 147, dtype: int64
train_data["Embarked"].value_counts()
S 644
C 168
Q 77
Name: Embarked, dtype: int64
나머지는 전부 수치형 특성들이다. 이는 describe()를 사용해 확인할 수 있다.
train_data.describe()
| PassengerId | Survived | Pclass | Age | SibSp | Parch | Fare | |
|---|---|---|---|---|---|---|---|
| count | 891.000000 | 891.000000 | 891.000000 | 714.000000 | 891.000000 | 891.000000 | 891.000000 |
| mean | 446.000000 | 0.383838 | 2.308642 | 29.699118 | 0.523008 | 0.381594 | 32.204208 |
| std | 257.353842 | 0.486592 | 0.836071 | 14.526497 | 1.102743 | 0.806057 | 49.693429 |
| min | 1.000000 | 0.000000 | 1.000000 | 0.420000 | 0.000000 | 0.000000 | 0.000000 |
| 25% | 223.500000 | 0.000000 | 2.000000 | 20.125000 | 0.000000 | 0.000000 | 7.910400 |
| 50% | 446.000000 | 0.000000 | 3.000000 | 28.000000 | 0.000000 | 0.000000 | 14.454200 |
| 75% | 668.500000 | 1.000000 | 3.000000 | 38.000000 | 1.000000 | 0.000000 | 31.000000 |
| max | 891.000000 | 1.000000 | 3.000000 | 80.000000 | 8.000000 | 6.000000 | 512.329200 |
결측치 확인
msno.bar(df=train_data.iloc[:, :], figsize=(12, 8), color=(0.3, 0.3, 0.3))
Age 특성에서는 결측치를 채워줄 것이고 Cabin 특성은 결측치가 너무 많은 관계로 고려하지 않을 것이다.
- 캐글에서 제공되는
Data Dictionay를 통해 변수명의 의미를 알아보자.
| Variable | Definition | Key |
|---|---|---|
| survival | Survival | 0 = No, 1 = Yes |
| pclass | Ticket class | 1 = 1st, 2 = 2nd, 3 = 3rd |
| sex | Sex | |
| Age | Age in years | |
| sibsp | # of siblings / spouses aboard the Titanic | |
| parch | # of parents / children aboard the Titanic | |
| ticket | Ticket number | |
| fare | Passenger fare | |
| cabin | Cabin number | |
| embarked | Port of Embarkatoin | C = Cherbourg, Q = Queenstown, S = Southampton |
Variable Notes Pclass: A proxy for socio-economic status (SES) 1st = Upper 2nd = Middle 3rd = Lower
Age: Age is fractional if less than 1. If the age is estimated, is it in the form of xx.5
SibSp: The dataset defines family relations in this way… Sibling = brother, sister, stepbrother, stepsister Spouse = husband, wife (mistresses and fiancés were ignored)
Parch: The dataset defines family relations in this way… Parent = mother, father Child = daughter, son, stepdaughter, stepson Some children travelled only with a nanny, therefore parch=0 for them.
특성들의 의미를 알아보자.
-
survival: 생존 여부(0은 생존하지 못함, 1은 생존)
-
pclass: 사회 경제적 지위(1st = 높음, 2nd = 중간, 3rd = 낮음)
-
sex: 성별
-
Age: 나이(나이가 1보다 작으면 분수이다. xx.5의 형태)
-
sibsp: 배우자, 형제 자매 수
-
parch: 부모, 자식 수
-
ticket: 티켓 숫자
-
fare: 요금
-
cabin: 케비넷 숫자
-
embarked: 탑승 장소 (C = Cherbourg, Q = Queenstown, S = Southampton)
train_data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 PassengerId 891 non-null int64
1 Survived 891 non-null int64
2 Pclass 891 non-null int64
3 Name 891 non-null object
4 Sex 891 non-null object
5 Age 714 non-null float64
6 SibSp 891 non-null int64
7 Parch 891 non-null int64
8 Ticket 891 non-null object
9 Fare 891 non-null float64
10 Cabin 204 non-null object
11 Embarked 889 non-null object
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB
생존을 제외한 10개의 특성 중, 생존과 연관성이 낮을 것으로 예상되는 특성은
-
Name
-
Ticket
-
Cabin
이 세 특성을 제외할 것이다.
나머지 특성들에 대해 생존과 상관관계를 구해보자.
수치형 특성 간의 상관관계
수치형 특성 간에서도 생존과 강한 상관관계를 가질 것으로 예상되는 특성은
Pclass
이다.
Pclass와Survived와의 관계를 알아보자.
ratio = train_data['Pclass'].value_counts(sort=False)
labels = ratio.size
survived = train_data[train_data['Survived']==1]['Pclass'].value_counts()
dead = train_data[train_data['Survived']==0]['Pclass'].value_counts()
plt.plot(aspect='auto')
plt.pie(ratio, labels=ratio.index, autopct='%1.1f%%')
plt.title('Pclass' + '\'s ratio')
plt.show()
for i, index in enumerate(ratio.index):
plt.subplot(1, ratio.size + 1, i + 1, aspect='equal')
plt.pie([survived[index], dead[index]], labels=['Survivied', 'Dead'], autopct='%1.1f%%')
plt.title(str(index) + '\'s ratio')
plt.show()
Pclass는 사회 경제적 지위로, 숫자가 작을수록 높은 사회 경제적 지위를 가지고 있다는 뜻이다.
사회 경제적 지위가 높으면 생존률도 높았다는 것을 볼 수 있다.
범주형 특성 간의 상관관계
위에서 범주형 특성을 제외시켰기 때문에 남은 범주형 특성은
-
Sex -
Embarked
이다.
- 성별에 따른 생존률을 알아보자.
ratio = train_data['Sex'].value_counts(sort=False)
labels = ratio.size
survived = train_data[train_data['Survived']==1]['Sex'].value_counts()
dead = train_data[train_data['Survived']==0]['Sex'].value_counts()
plt.plot(aspect='auto')
plt.pie(ratio, labels=ratio.index, autopct='%1.1f%%')
plt.title('Sex' + '\'s ratio')
plt.show()
for i, index in enumerate(ratio.index):
plt.subplot(1, ratio.size + 1, i + 1, aspect='equal')
plt.pie([survived[index], dead[index]], labels=['Survivied', 'Dead'], autopct='%1.1f%%')
plt.title(str(index) + '\'s ratio')
plt.show()
남자의 비율이 여자보다 많았고, 여자의 생존률이 남자의 생존률보다 높았던 것을 알 수 있다.
- 탑승 장소에 따른 생존률을 알아보자.
ratio = train_data['Embarked'].value_counts(sort=False)
labels = ratio.size
survived = train_data[train_data['Survived']==1]['Embarked'].value_counts()
dead = train_data[train_data['Survived']==0]['Embarked'].value_counts()
plt.plot(aspect='auto')
plt.pie(ratio, labels=ratio.index, autopct='%1.1f%%')
plt.title('Embarked' + '\'s ratio')
plt.show()
for i, index in enumerate(ratio.index):
plt.subplot(1, ratio.size + 1, i + 1, aspect='equal')
plt.pie([survived[index], dead[index]], labels=['Survivied', 'Dead'], autopct='%1.1f%%')
plt.title(str(index) + '\'s ratio')
plt.show()
Southampthon에서 탑승한 사람이 많았고, Cherbourg에서 탑승한 사람의 생존률이 가장 높은 것을 알 수 있다.
Pclass,Sex,Embarked세 특성간 상관관계를 알아보자.
f, ax = plt.subplots(ncols=3, figsize=(20, 8))
sns.barplot(data=train_data, x="Pclass", y="Survived", hue="Sex", ax=ax[0]) # 사회적 지위별 성별의 생존률
sns.barplot(data=train_data, x="Embarked", y="Survived", hue='Sex', ax=ax[1]) # 탑승 장소별 성별의 생존률
sns.barplot(data=train_data, x="Embarked", y="Survived", hue='Pclass', ax=ax[2]) # 탑승 장소별 사회적 지위의 생존률
plt.show()
전처리
결측치 찾기
isnull().sum()을 사용하면 결측치를 찾고, 그 개수를 알 수 있다.
train_data.isnull().sum()
PassengerId 0
Survived 0
Pclass 0
Name 0
Sex 0
Age 177
SibSp 0
Parch 0
Ticket 0
Fare 0
Cabin 687
Embarked 2
dtype: int64
Age 특성에 있는 결측치를 채워보자.(어차피 사용하지 않을 특성이지만 채워보자.)
결측치를 처리하는 방법에는 세 가지 방법이 있다.
- 누락치 특성 포함 샘플 삭제
- 누락치를 포함한 특성 삭제
- 누락치를 해당 특성의 중앙값/평균값 등으로 대체
여기서는 중앙값으로 대체해보자.
median = train_data['Age'].median()
train_data['Age'].fillna(median, inplace=True)
train_data.isnull().sum()
PassengerId 0
Survived 0
Pclass 0
Name 0
Sex 0
Age 0
SibSp 0
Parch 0
Ticket 0
Fare 0
Cabin 687
Embarked 2
dtype: int64
Age 특성에 결측치가 사라진 것을 볼 수 있다.
Embarked 특성에도 결측치가 2개 있다. 이때 단순히 가장 많이 탑승한 항구인 Southampton으로 가정해보자.
fillna()를 사용해 결측치를 채워보자.
train_data['Embarked'].fillna('S', inplace=True)
train_data.isnull().sum()
PassengerId 0
Survived 0
Pclass 0
Name 0
Sex 0
Age 0
SibSp 0
Parch 0
Ticket 0
Fare 0
Cabin 687
Embarked 0
dtype: int64
결측치가 사라진 모습을 볼 수 있다.
특성 추출
사용하지 않을 특성은 train_data에서 빼주자.
drop_features = ['Name', 'Age', 'Ticket', 'Cabin', 'SibSp', 'Parch', 'Fare']
train_data = train_data.drop(drop_features, axis=1)
test_data = test_data.drop(drop_features, axis=1)
train_data = train_data.drop('PassengerId', axis=1)
원하는 특성만 남은 것을 볼 수 있다.
train_data.head()
| Survived | Pclass | Sex | Embarked | |
|---|---|---|---|---|
| 0 | 0 | 3 | male | S |
| 1 | 1 | 1 | female | C |
| 2 | 1 | 3 | female | S |
| 3 | 1 | 1 | female | S |
| 4 | 0 | 3 | male | S |
test_data.head()
| PassengerId | Pclass | Sex | Embarked | |
|---|---|---|---|---|
| 0 | 892 | 3 | male | Q |
| 1 | 893 | 3 | female | S |
| 2 | 894 | 2 | male | Q |
| 3 | 895 | 3 | male | S |
| 4 | 896 | 3 | female | S |
모델 설계를 하기 전에 원-핫 인코딩 및 우리가 원하는 생존을 라벨값으로 지정하고, 훈련셋에서는 생존 특성을 제거해주자.
train_data = pd.get_dummies(train_data)
test_data = pd.get_dummies(test_data)
train_label = train_data['Survived']
train_df = train_data.drop('Survived', axis=1)
test_df = test_data.drop("PassengerId", axis=1).copy()
예측 모델 생성
5가지 예측 모델을 사용할 것이다.
- Logistic Regression
- Support Vector Machine (SVM)
- k-Nearest Neighbor (kNN)
- Random Forest
- Naive Bayes
위 모델을 사용하기 위해 관련된 사이킷런 라이브러리들을 임포트 해주자.
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.utils import shuffle
정렬되어 있을 가능성을 위해 셔플해준다.
train_df, train_label = shuffle(train_df, train_label, random_state = 5)
fit() 메서드와 predict() 메서드를 이용해 쉽게 모델 학습과 평가에 대한 파이프라인을 생성할 수 있다.
def train_and_test(model):
model.fit(train_df, train_label)
prediction = model.predict(test_df)
accuracy = round(model.score(train_df, train_label)*100, 2)
print(f'Accuracy: {accuracy}%')
return prediction
5가지 모델을 넣어보자.
# Logistic Regression
log_pred = train_and_test(LogisticRegression())
# SVM
svm_pred = train_and_test(SVC())
#kNN
knn_pred_4 = train_and_test(KNeighborsClassifier(n_neighbors = 4))
# Random Forest
rf_pred = train_and_test(RandomForestClassifier(n_estimators=100))
# Navie Bayes
nb_pred = train_and_test(GaussianNB())
Accuracy: 77.78%
Accuracy: 81.14%
Accuracy: 81.14%
Accuracy: 81.14%
Accuracy: 77.78%
제일 정확도가 높게 나온 Random Forest 모델을 이용해 제출을 해보자.
submission = pd.DataFrame({
"PassengerId": test_data["PassengerId"],
"Survived": rf_pred
})
submission.to_csv('submission_rf.csv', index=False)
결과
0.77751의 정확도를 얻었다.
마무리
더 좋은 정확도를 얻을 수 있는 방법을 모색해보면 좋을 것 같다.
- 모든 특성과 생존률과의 상관관계를 확인하고 활용하기
- 이상치를 확인해 없애기
- 결측치를 다른 방법으로 채우기
- 하이퍼파라미터를 조정해 성능 올리기
등과 같은 방법을 활용하면 좋을 것 같다.