02-决策树-泰坦尼克号乘客生存预测

1. 需求分析

根据乘客特征预测是否幸存（二分类）。

2. 数据说明

Kaggle 经典入门分类数据集，模拟 1912 年泰坦尼克沉船事件乘客信息，任务：根据乘客特征预测是否幸存（二分类）。数据来源于阿里云天池。

• train.csv：训练集（891 条），含 Survived 标签；
• test.csv：测试集（418 条），无存活标签；

数据特点：

• 缺失值多：Age、Cabin、Embarked 均有空值，入门练数据清洗；
• 类别不平衡：遇难人数多于幸存者；
• 特征类型丰富：数值、分类、文本，适合练习特征工程；
• 经典二分类任务：逻辑回归、决策树、随机森林、KNN 入门首选。

3. 建模

import matplotlib.pyplot as plt import pandas as pd from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier, plot_tree from sklearn.metrics import classification_report

3.1 获取数据

data = pd.read_csv("./data/train.csv") data.info()

3.2 数据预处理

# 1. 提取特征和标签 x = data[['Pclass', 'Age', 'Sex']] y = data['Survived'] # 2. 缺失值处理 x.Age.fillna(x.Age.mean(), inplace=True) # 3. 分类数据one-hot编码 x = pd.get_dummies(x, columns=['Sex']) # 4. 划分数据集 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=79)

3.3 特征工程

绝大多数树模型都不需要特征标准化

3.4 模型训练

# 参数解释：criterion='gini'，gini指数；max_depth=10，最大深度 estimator = DecisionTreeClassifier(criterion='gini', max_depth=10) estimator.fit(x_train, y_train)

3.5 模型预测

y_pre = estimator.predict(x_test)

3.6 模型评估

print(classification_report(y_test, y_pre))

3.7 可视化

plt.figure(figsize=(30,20)) # 设置图的大小：太大容易跑不出来 # 参数解释：filled=True，填充颜色；max_depth=10，最大深度 plot_tree(estimator, filled=True, max_depth=10) plt.savefig("./data/cart.png") plt.show()