????泰坦尼克號(hào)(RMS Titanic)：20世紀(jì)初，由英國白星航運(yùn)公司制造的一艘巨大豪華客輪撕捍。是當(dāng)時(shí)世界上最大的豪華客輪拿穴，被稱為是“永不沉沒的”或是“夢幻客輪”。但她卻在1912年4月15日從南安普頓至紐約的處女航中卦洽，在北大西洋撞上冰山而沉沒贞言，由于缺少足夠的救生艇，1500人葬生海底阀蒂，造成了在和平時(shí)期最嚴(yán)重的一次航海事故该窗，也是迄今為止最著名的一次。派拉蒙電影公司與20世紀(jì)冈橄迹克斯電影公司于1997年將“泰坦尼克號(hào)”的事件改編為電影酗失，在全球各地上映，轟動(dòng)全球昧绣，也讓她變得家喻戶曉规肴。
????根據(jù)kaggle提供的數(shù)據(jù)集 ，總共樣本1392，分為訓(xùn)練集拖刃，892個(gè)樣本删壮，其中存活乘客392人，測試樣本兑牡，419個(gè)央碟。數(shù)據(jù)集可以從kaggle官方網(wǎng)站下載，也可以從我的百度云盤下載均函。
? ? 首先對(duì)數(shù)據(jù)進(jìn)行概覽亿虽，數(shù)據(jù)集中包含字段，
PassengerId:乘客編號(hào)
Survived? :存活情況（存活：1 ; 死亡：0）
Pclass:客艙等級(jí)（1苞也，2洛勉，3）
Name:乘客姓名（姓+稱謂+名）
Sex:性別（male男，female女性）
Age:年齡（乘客年齡）
SibSp:同乘的兄弟姐妹/配偶數(shù)（）
Parch:同乘的父母/小孩數(shù)（小孩和保姆會(huì)算為0）
Ticket:船票編號(hào)（船票號(hào)如迟，有多個(gè)人公用一個(gè)船票號(hào)）
Fare:船票價(jià)格（乘船費(fèi)用）
Cabin:客艙號(hào)（客艙編號(hào)）
Embarked? : 登船港口（C = Cherbourg, Q = Queenstown, S = Southampton）
其中根據(jù)數(shù)據(jù)概覽中可以看出收毫，其他Age、Fare氓涣、Cabin和Embarked有缺失值：
下面對(duì)缺失值進(jìn)行處理：
乘客年齡：由于缺失值較多牛哺，暫不做處理陋气。
Fare根據(jù)kaggle上的多種模型驗(yàn)證一致認(rèn)為缺失的乘客的數(shù)值為：8.05劳吠，
Cabin有相同Ticket號(hào)的具有相同的Cabin，根據(jù)這條規(guī)則填充了12條數(shù)據(jù)巩趁，其余填充為Unknown痒玩；
Embarked有兩個(gè)缺失值，用C進(jìn)行填充议慰；
trainset <- read.csv('./train.csv', stringsAsFactors = F)
testset <- read.csv('./test.csv', stringsAsFactors = F)
fullset ?<-bind_rows(trainset, testset)#
str(fullset)#
fullset$Embarked[c(62,830)] <-'C'
fullset$Fare[1044] <-median(fullset[fullset$Pclass =='3'&fullset$Embarked =='S', ]$Fare,na.rm =TRUE)
CabinNA<-subset(fullset,fullset$Cabin=="")
CabinY<-subset(fullset,fullset$Cabin!="")
samet<-intersect(CabinNA$Ticket,CabinY$Ticket)
x<-match(samet,CabinY$Ticket)
for (i in x) {CabinNA$Cabin[i]<-CabinY$Cabin[i]}
fullset<- rbind(CabinNA,CabinY)
fullset$Cabin[fullset$Cabin=="NA"]<-"Unknown"
age預(yù)測
factor_vars <-c('PassengerId','Pclass','Sex','Embarked')
fullset[factor_vars] <-lapply(fullset[factor_vars], function(x)as.factor(x))
# Set a random seed
set.seed(129)
# Perform mice imputation, excluding certain less-than-useful variables:
mice_mod <- mice(fullset[, !names(fullset) %in% c('PassengerId','Name','Ticket','Cabin','Survived')], method='rf')
mice_output <-complete(mice_mod)
fullset$Age <-mice_output$Age
trainfullc <-full[1:891,]
testfullc <-full[892:1309,]
下面我選擇隨機(jī)森林（RandomForest）蠢古、決策樹（DecisionTree）、logit 模型和支持向量機(jī)别凹，建立模型草讶，先建立一個(gè)預(yù)測的基準(zhǔn)。
# Set a random seed
set.seed(754)
# Build the model (note: not all possible variables are used)
rf_model <-randomForest(factor(Survived) ~Pclass +Sex +Age +SibSp +Parch +Fare +Embarked +Title +FsizeD +Child +Mother,data =train)
# Show model errorplot(rf_model,ylim=c(0,0.36))legend('topright',colnames(rf_model$err.rate),col=1:3,fill=1:3)
# Get importanceimportance <-importance(rf_model)
varImportance <-data.frame(Variables =row.names(importance),Importance =round(importance[ ,'MeanDecreaseGini'],2))
# Create a rank variable based on importance
rankImportance <-varImportance %>%mutate(Rank =paste0('#',dense_rank(desc(Importance))))# Use ggplot2 to visualize the relative importance of variables
ggplot(rankImportance,aes(x =reorder(Variables, Importance),y =Importance,fill =Importance)) +geom_bar(stat='identity') +geom_text(aes(x =Variables,y =0.5,label =Rank),hjust=0,vjust=0.55,size =4,colour ='red') +labs(x ='Variables') +coord_flip() +theme_few()
# Predict using the test set
prediction <-predict(rf_model, test)
# Save the solution to a dataframe with two columns: PassengerId and Survived (prediction)
solution <-data.frame(PassengerID =test$PassengerId,Survived =prediction)
# Write the solution to file
write.csv(solution,file ='rf_mod_Solution.csv',row.names =F)
