小介绍
我相信，如果提供逐步的说明，告诉他们如何做，我们可以做更多的事情。我本人回想起一生中因难以理解从哪里开始而无法开展业务的时刻。也许，曾几何时，您在Internet上看到“数据科学”一词，并决定您与那个地方相去甚远，而在另一个世界的某个地方进行此操作的人们。所以不，他们就在这里。而且，也许要感谢来自这个领域的人们，您的供稿中出现了一篇文章。有很多课程可以帮助您熟悉此技巧，在这里我将帮助您迈出第一步。好吧，你准备好了吗？我必须立即说，您将必须了解Python 3，因为我将在这里使用它。另外，我建议您在Jupyter Notebook上预安装或查看如何使用google colab。步骤1
Kaggle是您在这方面的重要助手。原则上，您可以没有它，但是我将在另一篇文章中讨论。这是主持数据科学竞赛的平台。在早期的每个此类竞赛中，您将获得解决各种问题的不切实际的经验，开发经验和团队合作经验，这在我们这个时代很重要。我们将从那里开始我们的任务。它被称为：“泰坦尼克号”。条件是这样的：预测每个人都会生存。一般而言，参与DS的人员的任务是数据的收集，处理，模型训练，预测等。在kaggle，我们被允许跳过数据收集阶段-它们在平台上显示。我们需要下载它们，您可以开始使用！您可以按照以下步骤进行操作：数据选项卡中的文件包含数据
下载的数据，准备的Jupyter笔记本和...第二步
我们现在如何下载这些数据？首先，我们导入必要的库：import pandas as pd
import numpy as np
熊猫将允许我们下载.csv文件以进行进一步处理。需要用数字表示我们的数据表为矩阵。继续。取得train.csv文件并将其上传给我们：dataset = pd.read_csv('train.csv')
我们将通过数据集变量引用样本train.csv数据。让我们看看那里有什么：dataset.head()
head（）函数使我们可以查看数据框的前几行。幸存的列只是我们的结果，在此数据框中已知。关于问题的问题，我们需要预测test.csv数据的Survived列。该数据存储了有关泰坦尼克号其他乘客的信息，我们决策者对于这些乘客并不了解结果。因此，我们将表分为相关数据和独立数据。这里的一切都很简单。相依数据是与结果无关的数据。独立数据是影响结果的数据。例如，我们有这样一个数据集：“ Vova教过计算机科学-不。Vova接受了计算机科学2。计算机科学中的评估取决于问题的答案：Vova是否教授计算机科学？清楚吗？继续前进，我们离目标越来越近！独立数据的传统变量是X。从属变量y。我们执行以下操作：X = dataset.iloc[ : , 2 : ]
y = dataset.iloc[ : , 1 : 2 ]
这是什么？使用iloc函数[：，2：]告诉python：我想在变量X中查看从第二列开始的数据（包括计数，并且从零开始）。在第二行中，我们说我们想在第一列的数据中看到。[a：b，c：d]是我们在括号中使用的内容的构造。如果您未指定任何变量，则它们将保持默认值。也就是说，我们可以指定[：，：d]，然后我们将从数据d到其他的所有列（除那些列之外）进入数据帧。变量a和b定义了字符串，但是我们都需要它们，因此我们保留此默认值。让我们看看发生什么了：X.head()
y.head()
为了简化这一小节课，我们将删除需要特殊“护理”或根本不影响生存的专栏。它们包含类型为str的数据。count = ['Name', 'Ticket', 'Cabin', 'Embarked']
X.drop(count, inplace=True, axis=1)
超！我们进入下一步。第三步
在这里，我们需要对数据进行编码，以便机器更好地理解此数据如何影响结果。但是，我们不会编码所有内容，而只会编码剩下的str类型的数据。栏“性别”。我们要如何编码？想象一下关于矢量的人类性别数据：10-男性，01-女性。首先，我们将表格转换为NumPy矩阵：X = np.array(X)
y = np.array(y)
现在我们来看：from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(), [1])],
remainder='passthrough')
X = np.array(ct.fit_transform(X))
sklearn库是一个非常酷的库，它使我们能够完成Data Science的全部工作。它包含大量有趣的机器学习模型，还允许我们进行数据准备。如我们所描述的，OneHotEncoder将使我们能够编码该表示形式中的人的性别。将创建2个班级：男性，女性。如果此人是男人，则将在“男性”列中分别写入1，然后将其写入0。超。我们走得更远！通常，会发生某些数据保持为空（即NaN-不是数字）的情况。例如，有关于一个人的信息：他的名字，性别。但是没有关于他年龄的数据。在这种情况下，我们将使用此方法：找到所有列的算术平均值，如果列中缺少某些数据，则用算术平均值填充空白。from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
imputer.fit(X)
X = imputer.transform(X)
现在让我们考虑一下，当数据非常分散时会发生这种情况。某些数据的时间间隔为[0：1]，有些数据可能持续数十万次。为了排除这种价差，并且计算机在计算中更加准确，我们将缩放数据并进行缩放。让所有数字不超过3。为此，请使用功能StandartScaler。from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X[:, 2:] = sc.fit_transform(X[:, 2:])
现在我们的数据如下所示：
类。我们已经接近我们的目标！第四步
训练我们的第一个模型！在sklearn库中，我们可以找到很多有趣的东西。我将梯度提升分类器模型应用于此任务。我们使用分类器，因为我们的任务是分类任务。有必要将预测归因于1（存活）或0（没有存活）。from sklearn.ensemble import GradientBoostingClassifier
gbc = GradientBoostingClassifier(learning_rate=0.5, max_depth=5, n_estimators=150)
gbc.fit(X, y)
fit函数告诉python：让模型查找X和y之间的依赖关系。不到一秒钟，模型就准备好了。
如何申请？我们现在将看到！第五步 结论
现在，我们需要用测试数据加载表，我们需要对其进行预测。使用此表，我们将执行与X相同的所有操作。X_test = pd.read_csv('test.csv', index_col=0)
count = ['Name', 'Ticket', 'Cabin', 'Embarked']
X_test.drop(count, inplace=True, axis=1)
X_test = np.array(X_test)
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(), [1])],
remainder='passthrough')
X_test = np.array(ct.fit_transform(X_test))
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
imputer.fit(X_test)
X_test = imputer.transform(X_test)
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_test[:, 2:] = sc.fit_transform(X_test[:, 2:])
我们将已经应用我们的模型！gbc_predict = gbc.predict(X_test)
所有。我们做了一个预测。现在，需要将其记录在csv中并发送到站点。np.savetxt('my_gbc_predict.csv', gbc_predict, delimiter=",", header = 'Survived')
做完了 得到了一个包含每个乘客的预测的文件。仍然需要将这些决策上传到站点并获得预测的估计。这种原始的解决方案不仅可以为公众提供74％的正确答案，而且可以为数据科学提供一些动力。最好奇的人可以随时在私人信息中给我写信并提出问题。谢谢大家！