1
Kaggleのタイタニックコンクール（trainおよびtest csvファイル）のデータセットです。各ファイルには、ID、性別、年齢などの乗客の特徴があります。列車ファイルには、0と1の値を持つ「生き残った」列があります。テストファイルに予測される必要があるため、残存列が欠落しています。 これは、スターターのために私のベンチマークを与えるためにランダムフォレストを使用して、私の単純なコードです：あなたが見ることができるようにランダムフォレストで（イエス/ノーまたは1-0）決定する方法は？
import pandas as pd
import numpy as np
from sklearn.preprocessing import LabelEncoder
import random
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import roc_curve, auc
train=pd.read_csv('train.csv')
test=pd.read_csv('test.csv')
train['Type']='Train' #Create a flag for Train and Test Data set
test['Type']='Test'
fullData = pd.concat([train,test],axis=0) #Combined both Train and Test Data set
ID_col = ['PassengerId']
target_col = ["Survived"]
cat_cols = ['Name','Ticket','Sex','Cabin','Embarked']
num_cols= ['Pclass','Age','SibSp','Parch','Fare']
other_col=['Type'] #Test and Train Data set identifier
num_cat_cols = num_cols+cat_cols # Combined numerical and Categorical variables
for var in num_cat_cols:
if fullData[var].isnull().any()==True:
fullData[var+'_NA']=fullData[var].isnull()*1
#Impute numerical missing values with mean
fullData[num_cols] = fullData[num_cols].fillna(fullData[num_cols].mean(),inplace=True)
#Impute categorical missing values with -9999
fullData[cat_cols] = fullData[cat_cols].fillna(value = -9999)
#create label encoders for categorical features
for var in cat_cols:
number = LabelEncoder()
fullData[var] = number.fit_transform(fullData[var].astype('str'))
train=fullData[fullData['Type']=='Train']
test=fullData[fullData['Type']=='Test']
train['is_train'] = np.random.uniform(0, 1, len(train)) <= .75
Train, Validate = train[train['is_train']==True], train[train['is_train']==False]
features=list(set(list(fullData.columns))-set(ID_col)-set(target_col)-set(other_col))
x_train = Train[list(features)].values
y_train = Train["Survived"].values
x_validate = Validate[list(features)].values
y_validate = Validate["Survived"].values
x_test=test[list(features)].values
Train[list(features)]
#*************************
from sklearn import tree
random.seed(100)
rf = RandomForestClassifier(n_estimators=1000)
rf.fit(x_train, y_train)
status = rf.predict_proba(x_validate)
fpr, tpr, _ = roc_curve(y_validate, status[:,1]) #metrics. added by me
roc_auc = auc(fpr, tpr)
print(roc_auc)
final_status = rf.predict_proba(x_test)
test["Survived2"]=final_status[:,1]
test['my prediction']=np.where(test.Survived2 > 0.6, 1, 0)
test
、final_statusは生存の確率を与えます。私はそれからイエス/ノー（1または0）の回答を得る方法が不思議です。私が考えることができる最も簡単なことは、確率が0.6より大きければ生き残り、そうでなければ死んだ（「私の予測」の列）が、結果を提出すると予測は全くうまくいかないと言うことです。
洞察がありがとうございます。ありがとう
コードを実行できるように、 'test.csv'と' train.csv'を私たちに提供できますか？ –
エリックはすでにアップロードされています。私のポストの最初の行を見てください。ダウンロードするだけで、コードは実行準備が整いました。ありがとう – user3709260