[Kaggle] Titanic(타이타닉) 생존자 예측

사실 DACON 코드 리뷰보다 이번 Kaggle 코드 리뷰를 먼저 했다. 그래서인지 아주 부족한 부분이 많긴 하다...!

Kaggle에서 열린 대회 중 하나를 선택하여 코드를 리뷰하는 스터디를 시작했다.

Kaggle을 알게 된 지 얼마 되지 않은 코딩 병아리🐣라

원하는 주제를 찾고, 그에 맞는 대회를 찾는 것부터 버벅거리기 시작했다.

​

그러다 스터디원분께 조언을 구했고,

캐글 분석에서 가장 많이 하고 입문용으로 좋은 '타이타닉 생존자 예측' 대회의 코드를 리뷰하기로 결정했다.

​

⭐ 스스로 공부하면서 쓴 포스팅이라 참고하기엔 큰 도움이 되지 않을 듯 합니다 ⭐

---

1. 대회 내용

Titanic - Machine Learning from Disaster | Kaggle

타이타닉호에 탑승한 승객들의 정보를 바탕으로 생존자를 예측하는 문제에 대한 대회이다.

캐글 리뷰가 처음이라 우선은 한국분의 것을 보고 리뷰을 하고자 한다.

첫번째 코드는 담임쌤이 알려주신 한국인이 작성한 코드이다. (감사합니다 쌤!👼 친절왕)

두번째 코드는 유튜브에서 코드 리뷰하신 것의 코드이다.

​

첫번째 코드와 두번째 코드에서 진행한 방식이 달라 마지막에 간단하게 비교도 해보았다.

​

+) 당장 내일이 스터디라,,, 직접 코드를 작성해보지는 않았고 읽기만 했다.

2. 코드 리뷰_첫번째 코드

[Subinium Tutorial] Titanic (Beginner)

 

1. 라이브러리 불러오기

데이터 분석, 시각화, 머신러닝에 필요한 라이브러리들을 모두 한번에 import했다.

​

2. 데이터 불러오기

1) pandas 라이브러리로 csv 파일 읽기

▶ 데이터를 보면 'Name'과 'Ticket'은 불규칙성이 많아 처리가 어렵다.

​

2) train data와 test data의 정보 확인하기

 

좌) train data / 우) test data

▶ train data : 데이터 개수 891개 / 특성 12개

▶ test data : 데이터 개수 418개 / 특성 11개

​

❓ 특성의 개수가 다른 이유는?

→ train data는 '생존여부'를 알고 있기 때문이다.

​

❗ 주의깊게 봐야 하는 부분 ❗

① 각 컬럼에 NaN 값이 있는지, 있다면 어떻게 처리할 것인가

② 데이터는 float64로 변환할 수 있는지,

​

3) 필요없는 정보 제거하기

PassengerID, Name, Ticket 컬럼 제거

→ Name, Ticket 컬럼에서 가져올 수 있는 데이터가 없기 때문

→ 해당 문제의 결과물에 'PassengerID'는 필요하기에 훈련데이터에서만 삭제

​

3. 데이터 처리하기

1) Pclass

1등석, 2등석, 3등석을 나타내는 정보이다. 연속적인 정보가 아니므로 '범주형(카테고리) 데이터'로 인식하고 인코딩해야 함

▶ one-hot-encoding을 pd.get_dummies() 메서드로 인코딩

​

2) Sex

▶ one-hot-encoding을 pd.get_dummies() 메서드로 인코딩

​

3) Age

▶ 연속형 데이터로 큰 처리가 필요없음

▶ NaN 데이터가 있으므로 해당 데이터들을 '평균값'으로 채움 (train 데이터셋의 평균 값으로 train, test 데이터셋을 채움)

​

4) SibSp & Panch

▶ 처리 x

​

5) Fare

▶ test 데이터셋에 1개의 데이터가 비어있으므로 0으로 채움 (데이터 누락이 아니라 무단 탑승으로 생각)

​

6) Cabin

▶ NaN 데이터가 대부분이므로 버리기

​

7) Embarked

▶ 데이터를 확인한 결과, S가 대부분이고 NaN 데이터가 있으므로 해당 데이터를 S로 채우기

▶ 문자열로 되어있으니 one-hot-encoding을 pd.get_dummies() 메서드로 인코딩

​

4. 데이터 나누기

X_train에서는 '생존 여부'의 데이터를 제거

Y_trian에서는 '생존여부'의 데이터만을 가져옴

X_test에서는 PassengerId를 제거

​

5. 머신러닝 알고리즘 적용하기

1) Logistic Regression (로지스틱 회귀)

2) SVM

3) Random Forests (랜덤 포레스트)

4) K-NN (K-최근접 이웃)

▶▶ 총 4가지의 알고리즘 모델을 사용하였으며, 모델 중 '랜덤 포레스트 모델'이 0.98로 가장 높았다.

​

6. 제출용 파일 만들기

가장 좋은 결과를 내었던 '랜덤 포레스트'의 결과로 submission 파일을 만들어 제출

3. 코드 리뷰_두번째 코드

 

GitHub - minsuk-heo/kaggle-titanic: kaggle titanic solution

할 예정,,,💦

4. 첫번째 & 두번째 비교

[3. 데이터 처리]

​	1번 코드	2번 코드
Name	x	이름에서 Mr, Miss, Mrs, others로 나눈 후 매핑 + 'Title'이라는 컬럼 추가 생성
Pclass	one-hot-encoding으로 인코딩	x
Sex	one-hot-encoding으로 인코딩	map 함수를 사용
Age	NaN 데이터 처리 → train 데이터의 평균 사용	NaN 데이터 처리 → Title의 각 나이대의 중앙값으로 채움 범위를 나누어 변수 지정
SibSp & Panch	처리하지 않음	두 값을 합쳐 'FamilySize'라는 컬럼 추가 생성 각 가족 수대로 map 함수 사용
Fare	test 데이터 셋 중 1개 (0으로 입력)	NaN 데이터 처리 → 각 Pclass 별 중앙값으로 채움
Cabin	NaN 데이터 처리 → 데이터 사용 x	NaN 데이터 처리 → 각 Pclass 별 중앙값으로 채움
Embarked	NaN 데이터 처리 → 데이터 중 가장 많은 S로 채움 one-hot-encoding으로 인코딩	NaN 데이터 처리 → 데이터 중 가장 많은 S로 채움 map 함수를 사용

[5. 머신러닝 알고리즘 적용]

1번 코드		2번 코드
로지스틱 회귀	81	Decision Tree	79.69
SVM	88	SVM	83.5
랜덤 포레스트	98	랜덤 포레스트	80.59
KNN	83	KNN	82.6
		Naive Bayes	78.78

---

급하게 하느라 코드를 상세하게 보지 못하고, 사용한 함수들을 정확히 공부하지 못했다.

이 부분은 스터디 이후 다시 정리해보기로~!🔥