用决策树DecisionTreeClassifier的数据挖掘算法来通过三个参数，Pclass,Sex,Age，三个参数来求取乘客的获救率。

分为三大步：

一，创建决策树DecisionTreeClassifier 对象

二，对象调用fit()函数，训练数据，建立模型

三，对象调用predict()函数，对需要预测的数据，预测。

代码如下：



import numpy as np
import pandas as pd
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import  DecisionTreeClassifier

def Titanic_survived():
    df = pd.read_csv(\'Titanic.csv\')#获取信息表
    #将nan替换为0
    df.fillna(df[\'Age\'].mean(),inplace = True)


    dict_train = df.loc[:,[\'Pclass\',\'Age\',\'Sex\']].to_dict(orient=\'record\')
    dict_target = pd.DataFrame(df[\'Survived\'],columns=[\'Survived\']).to_dict(orient=\'record\')

#训练数据字典向量化
    dv_train = DictVectorizer(sparse=False)
    x_train = dv_train.fit_transform(dict_train)

#目标数据字典向量化,将字符串变成数字
    dv_target = DictVectorizer(sparse=False)
    y_target = dv_target.fit_transform(dict_target)



#创建训练模型并训练
    d_tree = DecisionTreeClassifier()#第一步，创建决策树对象
    d_tree.fit(x_train,y_target)#第二步，决策树对象d_tree调用fit函数，训练数据建立模型

    data_predict = {
\'Pclass\':\'Bonnell\',
\'Age\':60,
\'Sex\': \'female\'

    }

    x_data = dv_train.transform(data_predict)
#第三步，决策树对象d_tree，调用predict()函数，预测结果
    print(dv_target.inverse_transform(d_tree.predict(x_data).reshape(-1,1)))

Titanic_survived()


 







							

   
版权声明：本文为chaojiyingxiong原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。



本文链接：https://www.cnblogs.com/chaojiyingxiong/p/9715861.html