机器学习-泰坦尼克生存预测使用说明
泰坦尼克号生存预测项目是kaggle 竞赛上的经典项目之一。1912年泰坦尼克号沉船灾难，这次灾难导致2224名船员和1502乘客遇难，但是灾难中哪些人幸存那些人丧生并非完全随机。在这生死攸关的情况下，生存与否与性别，年龄，阶层等因素是有关系的，如果把这些因素作为特征，生存的结果作为预测目标，就可以建立一个典型的二分类机器学习模型。在这个项目中提供了部分的乘客名单，包括各种维度的特征以及是否幸存的标签，存在train.csv文件中，这是项目训练需要的数据；另一个test.csv文件是需要预测的乘客名单，只有相应的特征。项目要做的工作就是通过对训练数据的特征与生存关系进行分析，构建合适的机器学习的模型，再用这个模型预测测试文件中乘客的幸存情况。本部分包括泰坦尼克号生存预测案例和快速创建两部分。
泰坦尼克号生存预测案例
数据集分析
首先调用人工智能平台数据准备模块-获取csv列名和列参数信息组件，对数据集有个初步了解，根据下方截图可以看到，训练数据集有891个样本，11个特征和1个标签，其中特征“Age”，“Cabin”，“Embarked”都有不同程度的缺损；测试集有418个样本，只有11个特征，其中特征“Age”，“Fare”，“Cabin”有不同程度的缺损。 11个特征的类型，其中有4个特征，包括：“PassengerId”，“Pclass”，“Sibsp”，“Parch”属于整数型数据，5个特征，包括：“Name”，“Sex”，“Ticket”，“Cabin”，“Embarked”属于字符串类型数据，2个特征，包括：“Age”，“Fare”属于浮点数。
图-1 数据集分析
人工智能平台AI建模操作流程
首先在[人工智能平台]左侧导航栏中选择[文件管理/我的文件]菜单项，然后新建文件夹，上传项目需要的训练数据集和测试数据集。
图-2 上传数据集
新建工程
在[人工智能平台]左侧导航栏中单击[样例库管理/AI建模]菜单项，单击<创建工程>按钮，新建工程工作目录选择文件管理中自己存放数据的文件夹。
图-3 新建工程
工程创建完成后创建新的任务流，输入任务流名称后，单击<确定>按钮，完成任务流的创建。
图-4 创建任务流
双击创建的任务流，进入任务流组件选择页面，此时会看到左侧包含输入、框架、算法、输出4个部分，此案例主要使用到算法-机器学习相关的组件。
图-5 组件列表
特征分析和案例任务流组件选择
任务流分为左右两个部分，左边是模型训练过程，包含数据预处理-模型训练-模型评估；右边是利用生成的模型进行预测，包括数据预处理-模型加载-预测。
图-6 任务流组件
删除无效特征列。["PassengerId","Name","Ticket","Cabin"]4列特征分别表示乘客ID、乘客姓名、船票编号、船舱编号，前3个特征对预测没有作用，而船舱编号由于缺损严重无法使用，所以直接将这4列特征删除，任务流中调用的是机器学习-特征工程-删除列组件，实现删除指定特征列的功能。
图-7 删除无效特征列
修复缺省值。训练集中“Age”，“Embarked”，分别表示乘客年龄和乘客上船的港口，测试集中Fare票价，这3个特征列有部分缺省值，采用机器学习-数据准备-数据修复组件进行缺省值填充，填充方法选择mode（众数），即对缺省值用所在特征列的众数进行填充。
图-8 修复缺省值－选择特征列
连续数值型特征列离散化。["Age","Fare"]年龄和票价两个特征属于连续性数值，此处我们调用机器学习-特征工程-离散化组件，将年龄离散成3类（儿童、成年人、老年人），同时将票价离散成3类（低等、中等、头等）。
图-9 连续数值型特征列离散化－选择特征列
非数值特征数值化。["Sex","Embarked"]分别表示性别和乘客的上船的港口，都是字符串类型的数据，需要转化成整型的数值。
图-10 数值化－选择特征列
one-hot编码。目前所有的特征列都是离散类型的，我们可以将输入算法的特征列进行one-hot编码，将特征映射到欧式空间，提高模型的训练精度同时也能加快训练速度。
图-11 one-hot编码－选择特征列
模型训练评估。此处采用分类算法是GBDT算法，GBDT(Gradient Boosting Decision Tree)是boosting系列算法中的一个代表算法，它是一种迭代的决策树算法，由多棵决策树组成，所有树的结论累加起来作为输出结果。模型参数：建立子树的数量50，最大迭代次数100（此处重点是讲述任务流的使用方法和通过此案例快速帮助用户上手AI建模，所有没有进行参数调优，用户可以自行测试选择最优参数）。训练部分的预测组件是调用训练生成模型产生predict_class用于与标签列进行比较，是模型评估用的。
图-12 分类算法
|
|
此处采用模型评估-二分类模型评估组件对训练好的模型进行评估，返回模型的训练精度、召回率等以及ROC曲线。 |
图-13 评估显示结果
利用训练好的模型对无标签数据进行生存预测。右边那部分就是对测试集test.csv进行同样的数据预处理，然后调用训练好的模型进行预测，最后生成预测出的predict_class。
图-14 预测数据图
快速创建
可以通过“立即创建”的功能，来快速创建泰坦尼克生存预测的示例。
选择[人工智能平台]，进入人工智能平台页面。
在[人工智能平台]左侧导航栏中选择[样例库管理/样例库]菜单项，进入样例库页面。
单击泰坦尼克生存预测样例右侧的<立即创建>按钮，选择任务流所在工程，输入任务流名称，单击<确定>按钮，保存任务流。页面会自动跳转到该工程的页面。
单击上一步创建的任务流，进入任务流页面。各个组件已经创建，且参数已经配置，也可以根据自己的需要，调整参数。