泰坦尼克号数据集包含train和test数据集，总共11列数据

目录:*. 数据挖掘流程一. 数据读取与统计分析二. 特征分析 & 缺失值填充2.1 性别与获救2.2 船舱等级与获救2.3 年龄与获救2.4 姓名(称谓) 与获救2.5 填充缺失值2.6 登船地点与获救2.7 兄弟姐妹的数量2.8 父母和孩子的数量2.9 船票的价格三. 特征相关性3.1 相关性热度图3.2 热度图下三角四. 构建特征4.1 年龄特征4.2 家庭总人口4.3 船票价格4.4 类型转换与特征清洗五. 机器学习建模5.1 切分训练集与测试集5.2 逻辑回归 LogisticRegression5.3 支持向量机 SVM5.4 决策树 DecisionTree5.5 随机森林 Ra

泰坦尼克号的测试文件和提交性别报告，并把它们放在一起，整合为一个csv。这是伟大的图表，以帮助您可视化。这也将有助于你知道谁死了或幸存下来。至少 70% 的权利， 但它由你来使它 100% 感谢泰坦尼克号初学者竞争提供的数据。 tested.csv

泰坦尼克号深度生存分析：使用Pandas，Matplotlib，Seaborn库来分析，可视化和探索乘坐泰坦尼克号旅行的人的数据，并使用Scikit学习建模算法来预测其生存的可能性

titanic.csv以及titanic_train.csv 泰坦尼克号获救数据两个，两个文件， 特征不太一样

随机森林实现及调参一、R语言方法一、手动调参方法二、网格调参二、python 注：本博客数据仍采用决策树调参的泰坦尼克号数据，前奏(数据预处理)请参考☞ 决策树R&Python调参对比☜ 一、R语言 方法一、手动调参 PS.仅使用常规包：randomForest和循环编写。 1-建模 set.seed(6) rf <- randomForest(Survived~.,data=train,ntree=100) y_pred <- predict(rf,test) A <- as.matrix(table(y_pred,test$Survived)) acc <- sum(diag(A))/su

泰坦尼克号生还情况预测 Kaggle 是一个流行的数据科学竞赛平台，由 Goldbloom 和 Ben Hamner 创建于 2010 年。

Kaggle:入门赛Tatanic（泰坦尼克号）84.21%带你冲进前2%。另创作时间很久了，有些内容需要进一步的改进。说明一下本身资源需要积分很少，不知道怎么现在变成这么多

Kaggle_Titanic 17％的人使用keras和深度学习神经网络向泰坦尼克号Kaggle竞赛提交的作品最多

Titanic-master泰坦尼克号幸存者数据