Titanic是kaggle上的一道just for fun的题，没有奖金，但是数据整洁，拿来练手最好不过。

本文以 Titanic 的数据，使用较为简单的决策树，介绍处理数据大致过程、步骤

注意，本文的目的，在于帮助你入门数据挖掘，熟悉处理数据步骤、流程

决策树模型是一种简单易用的非参数分类器。它不需要对数据有任何的先验假设，计算速度较快，结果容易解释，而且稳健性强，对噪声数据和缺失数据不敏感。下面示范用kaggle竞赛titanic中的数据集为做决策树分类，目标变量为survive

读取数据

import numpy as np
import pandas as pd

df = pd.read_csv('train.csv', header=0)

数据整理

subdf = df[['Pclass','Sex','Age']] y = df.Survived # sklearn中的Imputer也可以 age = subdf['Age'].fillna(value=subdf.Age.mean()) # sklearn OneHotEncoder也可以 pclass = pd.get_dummies(subdf['Pclass'],prefix='Pclass') sex = (subdf['Sex']=='male').astype('int') X = pd.concat([pclass,age,sex],axis=1) X.head()

输出下图结果

<??http://www.2cto.com/kf/ware/vc/" target="_blank" class="keylink">vcD4NCjxoMiBpZD0="建立模型">建立模型 将数据切分为 train 和 test

from sklearn.cross_validation import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=33)

from sklearn import tree clf = tree.DecisionTreeClassifier(criterion='entropy', max_depth=3,min_samples_leaf=5) clf = clf.fit(X_train,y_train) print("准确率为：{:.2f}".format(clf.score(X_test,y_test)))

输出结果如下

准确率为：0.83 

clf.feature_importances_

输出如下

array([ 0.08398076, 0. , 0.23320717, 0.10534824, 0.57746383]) 

import matplotlib.pyplot as plt feature_importance = clf.feature_importances_ important_features = X_train.columns.values[0::] feature_importance = 100.0 * (feature_importance / feature_importance.max()) sorted_idx = np.argsort(feature_importance)[::-1] pos = np.arange(sorted_idx.shape[0]) + .5 plt.title('Feature Importance') plt.barh(pos, feature_importance[sorted_idx[::-1]], color='r',align='center') plt.yticks(pos, important_features) plt.xlabel('Relative Importance') plt.draw() plt.show()

对于随机森林如何得到变量的重要性，可以看scikit-learn官方文档

当然在得到重要的特征后，我们就可以把不重要的特征去掉了，以提高模型的训练速度

最后是

from sklearn import cross_validation scores1 = cross_validation.cross_val_score(clf, X, y, cv=10) scores1

输出结果如下：

array([ 0.82222222, 0.82222222, 0.7752809 , 0.87640449, 0.82022472, 0.76404494, 0.7752809 , 0.76404494, 0.83146067, 0.78409091]) 

from sklearn import metrics def measure_performance(X,y,clf, show_accuracy=True, show_classification_report=True, show_confusion_matrix=True): y_pred=clf.predict(X) if show_accuracy: print("Accuracy:{0:.3f}".format(metrics.accuracy_score(y,y_pred)),"\n") if show_classification_report: print("Classification report") print(metrics.classification_report(y,y_pred),"\n") if show_confusion_matrix: print("Confusion matrix") print(metrics.confusion_matrix(y,y_pred),"\n") measure_performance(X_test,y_test,clf, show_classification_report=True, show_confusion_matrix=True)

输出结果如下，可以看到 precision（精确度）recall（召回率）等更多特征

Accuracy:0.834 Classification report precision recall f1-score support 0 0.85 0.88 0.86 134 1 0.81 0.76 0.79 89 avg / total 0.83 0.83 0.83 223 Confusion matrix [[118 16] [ 21 68]] 

与随机森林进行比较

from sklearn.ensemble import RandomForestClassifier clf2 = RandomForestClassifier(n_estimators=1000,random_state=33) clf2 = clf2.fit(X_train,y_train) scores2 = cross_validation.cross_val_score(clf2,X, y, cv=10) clf2.feature_importances_ scores2.mean(), scores1.mean()

准确率输出（这里用的是10折交叉验证后的平均值）

(0.81262938372488946, 0.80352769265690616) 

可以看到随机森林的准确要比决策树高0.1左右

　总结

经过上面介绍分析，我们走过了一个数据科学家在拿到数据到得出结论的所有步骤

这篇文章重要的不是结果，而是帮助你了解处理数据大致过程、步骤

剩下的细节，就是你发挥自己的想象力，进行改进、创新了