Kaggle에 있는 "Titanic: Machine Learning from Disaster" 데이터를 가지고 어떤 종류의 사람들이 살아남는지 예측하기
이 프로젝트는 Ubuntu 18.04LTS 환경에서 제작했습니다.
- Requirement
- Installation
- Experiments
$ conda create -n titanic python=3.7 scikit-learn pandas jupyter
$ conda activate titanic
$ conda list
- Anaconda 환경에서 작업하기 위해 titanic이라는 새로운 Environment를 생성
- 생성과 동시에
Python 3.7scikit-learnpandasjupyter를 설치
- 생성과 동시에
conda activate titanic으로 titanic Environment를 활성화conda list로 Package들이 잘 깔렸는지 확인
먼저 이 프로젝트를 진행하고 저장할 Github repository를 생성한다.
회원가입 - 우측상단 프로필 사진 - Your repositories - new를 누른다음 Repository name을 설정하고, Repository를 Public으로 할지, Private로 할지 선택한 다음 Create repository를 누르면 쉽게 생성된다.
나는 titanic이라는 이름으로 Private repository를 만들었다.
그 다음에는 터미널 환경에서 Git을 사용할 수 있도록 다운로드한다.
$ sudo apt install git
$ git --version
- Ubuntu에서의 git 다운로드는 엄청 간단하다.
- 다운로드가 완료되면
git --verison으로 잘 깔렸는지와 버전정보를 확인한다.
다시 내 repository로 돌아가서 clone이라는 초록색 버튼을 누르면 다음과 같은 창이 나온다.
저기서 빨간색 줄쳐진 부분을 누르면 내 Repository의 web URL이 복사가 된다.
다시 터미널 환경으로 돌아가서 아래의 명령어를 입력한다.
$ git clone https://github.com/Kojungbeom/titanic.git
$ cd titanic
git clone명령과 Github repository의 web URL을 사용하면 그Repository의 이름과 같은 폴더가 생기고, 해당Repository의 데이터들이 다운로드된다.
$ pip install kaggle
-
pip install kaggle로 kaggle 다운로드를 한다.
- kaggle 홈페이지 - 회원가입 - 로그인 - 우측상단 프로필 이미지 클릭 - My Account
Create New API Token을 클릭하고 kaggle.json을 다운로드 받은 후에, /home/ines아래 .kaggle이라는 이름의 폴더를 만든 후, 다운로드 받은 kaggle.json파일을 넣는다.
$ chmod 600 "path to kaggle.json"
$ kaggle competitions list
# Home 디렉토리로 이동한다.
$ cd
$ cd titanic
$ kaggle competitions download -c titanic
- 터미널에서
./kaggle에 들어간 뒤,chmod 600으로kaggle.json에 읽기, 쓰기 권한을 부여한다. (자세한 내용은 이 블로그을 참고) kaggle competitions list를 입력하여 잘 나오는지 확인- 내 Github repository 폴더 안에 titanic dataset을 다운받았다.
- 압축풀어주고
.zip파일은 삭제한다. Repository이름하고 압축이 풀어진 폴더하고 이름이 똑같으니 혼란이 없도록 폴더이름을dataset으로 바꾼다.
위에서 만들었던 home directory에 clone해놨던 폴더 titanic에 src라는 폴더를 만들고 jupyter notebook을 실행한다.
$ cd titanic
$ mkdir src
$ jupyter notebook
다음과 같은 웹사이트가 열리면 성공
src폴더로 들어가서 새로운 jupyter notebook 파일을 만든다.
Tip) jupyter notebook은 개발하기 좋은 환경을 제공하기 때문에, 더 편리하게 사용할 수 있도록 단축키를 익히는 것을 추천한다! 참고할 블로그
자 이제 정말 시작이다.
우선 처음에는 사용할 library를 import해주는게 일반적이다.
import numpy as np
import pandas as pd
from matplotlib import pyplot as pltnumpy는Train과Test,Predict를 하기위해 데이터를Array type으로 만들어줄 녀석이다.pandas는 데이터를 쉽고 간단하게 처리하기 위한 녀석이다.matplotlib는 데이터를 시각화하기위한 녀석이다.
우선 이 세가지만 import해놓았다. 어떤 알고리즘을 사용해서 모델을 학습할지 생각하기에 앞서 데이터 파악이 선행되어야한다.
train_data = pd.read_csv("path to train.csv")
test_data = pd.read_csv("path to test.csv")
train_data.head()
train_data.info()
test_data.info()
train_data.describe()
def makeTitle(data):
data['Title'] = data['Name'].str.extract(' ([A-Za-z]+)\.', expand = False)
makeTitle(test_data)
makeTitle(train_data)이름에 붙어있는 Mr, Mrs 같은 수식어를 추출해서 Title이라는 새로운 Column을 Training data와 test_data에 만들었다. value_counts()로 확인한 결과는 다음과 같았다.
다음에는 Train_data에만 있는 Survived column을 drop시키고 test_data 와 결합시켜서 같이 가공한다.
# 데이터 합쳐서 가공하기
all_data = pd.concat([train_data, test_data], axis=0)
all_data.info()
위 정보에 따르면 Age, Fare, Embark, Cabin에서 결측값이 있다!
# 결측값을 채우기위한 평균값 준비
mr_mean = all_data[train_data['Title'] == 'Mr']['Age'].mean()
miss_mean = all_data[train_data['Title'] == 'Miss']['Age'].mean()
mrs_mean = all_data[train_data['Title'] == 'Mrs']['Age'].mean()
master_mean = all_data[train_data['Title'] == 'Master']['Age'].mean()
dr_mean = all_data[train_data['Title'] == 'Dr']['Age'].mean()
rev_mean = all_data[train_data['Title'] == 'Rev']['Age'].mean()
major_mean = all_data[train_data['Title'] == 'Major']['Age'].mean()
mlle_mean = all_data[train_data['Title'] == 'Mlle']['Age'].mean()
col_mean = all_data[train_data['Title'] == 'Col']['Age'].mean()
age_mean = all_data['Age'].mean()Age 열의 비어있는곳은 어떻게 채워줄까 하다가, 만들어낸 Title data를 가지고 각 Title의 나이의 평균으로 넣어주는게 좋겠다고 생각하여, 존재하는 Age데이터를 이용해서 각각의 평균을 구해냈다. 하나밖에 없는 Title항목에 대해서는 굳이 평균을 만들지 않았다.
all_array_data = np.array(all_data)
# NaN값은 이렇게 접근해야 한다고 한다.
for data in all_array_data:
if np.isnan(data[4]):
if data[11] == 'Mr':
data[4] = round(mr_mean)
#print("OK")
elif data[11] == 'Miss':
data[4] = round(miss_mean)
#print("OK")
elif data[11] == 'Mrs':
data[4] = round(mrs_mean)
#print("OK")
elif data[11] == 'Master':
data[4] = round(master_mean)
#print("OK")
elif data[11] == 'Dr':
data[4] = round(dr_mean)
#print("OK")
elif data[11] == 'Rev':
data[4] = round(rev_mean)
#print("OK")
elif data[11] == 'Major':
data[4] = round(major_mean)
#print("OK")
elif data[11] == 'Mlle':
data[4] = round(mlle_mean)
#print("OK")
elif data[11] == 'Col':
data[4] = round(col_mean)
#print("OK")
else:
data[4] = round(age_mean)
#print("OK")array로 바꿔서 처리하고나니까 column name이 다 없어져서 다시 정의해주고, 새로운 데이터프레임을 만들었다.
column_list = ['PassengerId', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp', 'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked', 'Title']
new_all_data = pd.DataFrame(all_array_data, columns=column_list)
# 나머지 남아있는 결측값은 결측값 위치의 바로 위의 값으로 결측값을 채우는 방법으로!
new_all_data['Embarked'] = new_all_data['Embarked'].fillna(method='pad')
new_all_data['Fare'] = new_all_data['Fare'].fillna(method='pad')
# 전부 채워진걸 확인
new_all_data.info()
위에 보이는 것 처럼 결측값들은 전부 없어졌다.
이제 Training에 사용할 데이터를 매핑하고, 나머지는 drop시키는 작업이 필요하다
# 연령대 별로 나누기
for data in [new_all_data]:
data.loc[data['Age'] <= 10, 'Age'] = 0,
data.loc[(data['Age'] > 10) & (data['Age'] <= 20), 'Age'] = 1,
data.loc[(data['Age'] > 20) & (data['Age'] <= 30), 'Age'] = 2,
data.loc[(data['Age'] > 30) & (data['Age'] <= 40), 'Age'] = 3,
data.loc[(data['Age'] > 40) & (data['Age'] <= 50), 'Age'] = 4,
data.loc[(data['Age'] > 50) & (data['Age'] <= 60), 'Age'] = 5,
data.loc[(data['Age'] > 60) & (data['Age'] <= 70), 'Age'] = 6,
data.loc[data['Age'] > 70, 'Age'] = 7Age는 연령대별로 Interval을 주어 나누었다.
# 클래스별 Fare의 평균값을 이용해서 경계만들어서 매핑
p1 = new_all_data[new_all_data['Pclass']==1]
p2 = new_all_data[new_all_data['Pclass']==2]
p3 = new_all_data[new_all_data['Pclass']==3]
p1_mean = p1['Fare'].mean()
p2_mean = p2['Fare'].mean()
p3_mean = p3['Fare'].mean()
r1 = (p2_mean - p3_mean) / 2
r2 = (p1_mean - p2_mean) / 2
for data in [new_all_data]:
data.loc[data['Fare'] <= p3_mean+r1, 'Fare'] = 0,
data.loc[(data['Fare'] > p3_mean+r1) & (data['Fare'] <= p2_mean+r2), 'Fare'] = 1,
data.loc[data['Fare'] > p2_mean+r2, 'Fare'] = 2Fare는 각각Pclass와 연관성을 가지고있어서 각Pclass에서Fare의 평균값을 구해서 Interval을 나누는 용도로 사용하였다.
# 성별 매핑
for data in [new_all_data]:
data.loc[data['Sex'] == 'male', 'Sex'] = 0,
data.loc[data['Sex'] == 'female', 'Sex'] = 1Sex은 간단하게 0과 1로 나눠주었다.
# Embarked 매핑
for data in [new_all_data]:
data.loc[data['Embarked'] == 'S', 'Embarked'] = 0,
data.loc[data['Embarked'] == 'C', 'Embarked'] = 1,
data.loc[data['Embarked'] == 'Q', 'Embarked'] = 2Embarked도 간단하게 3개로 나눠주었다.
# 타이틀을 매핑, 개수가 작은 Title들은 나머지와 묶어서 처리
for data in [new_all_data]:
data.loc[data['Title'] == 'Mr', 'Title'] = 0,
data.loc[data['Title'] == 'Miss', 'Title'] = 1,
data.loc[data['Title'] == 'Mrs', 'Title'] = 2
data.loc[data['Title'] == 'Master', 'Title'] = 3,
data.loc[data['Title'] == 'Dr', 'Title'] = 4,
data.loc[data['Title'] == 'Rev', 'Title'] = 4,
data.loc[data['Title'] == 'Col', 'Title'] = 4,
data.loc[data['Title'] == 'Major', 'Title'] = 4,
data.loc[data['Title'] == 'Sir', 'Title'] = 4,
data.loc[data['Title'] == 'Countess', 'Title'] = 4,
data.loc[data['Title'] == 'Don', 'Title'] = 4,
data.loc[data['Title'] == 'Jonkheer', 'Title'] = 4,
data.loc[data['Title'] == 'Lady', 'Title'] = 4,
data.loc[data['Title'] == 'Ms', 'Title'] = 4,
data.loc[data['Title'] == 'Capt', 'Title'] = 4,
data.loc[data['Title'] == 'Mme', 'Title'] = 4
data.loc[data['Title'] == 'Mlle', 'Title'] = 4
data.loc[data['Title'] == 'Dona', 'Title'] = 4- 처음에 만들었던
Title같은 경우는 값이 많은 것들은 단독으로 매핑하고, 나머지 값이 적은 것들은 묶어서 하나의 Class로 처리하였다.
new_all_data.head()
이제 Training에 사용되지 않을 Feature들을 제거한다.
# 매핑을 마쳤으니 나머지 못쓸것같은 데이터들은 다 버린다.
drop_list = ['Ticket', 'SibSp', 'Parch', 'Name', 'Cabin', 'PassengerId']
# 아까 묶어놨던 데이터를 다시 분리한다.
final_train_data = new_all_data[new_all_data['PassengerId']<=891]
final_test_data = new_all_data[new_all_data['PassengerId']>891]
final_train_data = final_train_data.drop(drop_list, axis=1)
final_test_data = final_test_data.drop(drop_list, axis=1)
final_train_data.info()
final_test_data.info()
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC어떤 모델을 쓸까하다가 여러가지를 써보고 성능을 비교한 후, 가장 좋은 Model로 사용하기로 했다.
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import KFold
param_grid = {
'n_estimators': [200, 300, 400, 500],
'max_depth': [6, 20, 30, 40],
'min_samples_leaf' : [3,5,7,10],
'min_samples_split' : [2,3,5,10]
}
kf = KFold(random_state=42,
n_splits=10,
shuffle=True,
)
rf_grid = GridSearchCV(rf_clf2, param_grid=param_grid, scoring='accuracy')
rf_grid.fit(final_train_data, label)
rf_grid.best_params_
svm_clf = SVC()
param_svm_grid = {
'degree': [1, 10, 20, 30],
'C' : [0.1, 10, 20, 30, 40, 70, 100]
}
svm_grid = GridSearchCV(svm_clf, param_grid=param_svm_grid, scoring='accuracy')
svm_grid.fit(final_train_data, label)
svm_grid.best_params_
gbrt = GradientBoostingClassifier(random_state=42)
param_gbrt_grid = {
'n_estimators': [100, 200, 300],
'max_depth': [5, 10, 15, 20],
'min_samples_leaf' : [3,5,7,9],
'min_samples_split' : [2,4,6,8],
'learning_rate' : [0.1, 1]
}
gbrt_grid = GridSearchCV(gbrt, param_grid=param_gbrt_grid, scoring='accuracy')
gbrt_grid.fit(final_train_data, label)
gbrt_grid.best_params_- 학습하기전 Random Forest에서 이 데이터셋에 대한 최적의 Hyperparameter를 찾기위해 GridSearch를 사용했다.
label_data = pd.read_csv("path to test.csv")
label = label_data['Survived']
knn_clf = KNeighborsClassifier(n_neighbors = 8)
score = cross_val_score(knn_clf, final_train_data, label, cv=5, scoring='accuracy')
print(score)
# GridSearch 결과를 토대로 Hyperparameter 입력
rf_clf = RandomForestClassifier(n_estimators=400, max_depth=20, max_leaf_nodes=5, min_samples_split=2)
score = cross_val_score(rf_clf, final_train_data, label, cv=5, scoring='accuracy')
print(score)
# GridSearch 결과를 토대로 Hyperparameter 입력
gbrt = GradientBoostingClassifier(learning_rate=0.1, max_depth=5, min_samples_leaf=9, min_samples_split=2, n_estimators=100)
gbrt.fit(final_train_data, label)
gbrt.score(final_train_data, label)
# GridSearch 결과를 토대로 Hyperparameter 입력
svm_clf = SVC(C=10, degree=1)
score = cross_val_score(svm_clf, final_train_data, label, cv=5, scoring='accuracy')
print(score)- label을 생성해주고, 모델들을
Cross_val_score을 이용해서 성능을 평가한다.
각각의 모델이 받은 점수는 다음과 같았다.
KNN
[0.81005587 0.78651685 0.76404494 0.78651685 0.80898876]
Random Forest
[0.81564246 0.80337079 0.79775281 0.79213483 0.80337079]
GradientBoostingClassifier
[0.8529741863075196]
SVM
[0.82681564 0.82022472 0.83146067 0.78651685 0.86516854]
svm과 Random Forest, GradientBoosting 각각에 대한 파일을 만들어서 여러번 제출해보았다.
svm_clf.fit(final_train_data, label)
predictions = svm_clf.predict(final_test_data)이제 만들어진 Prediction으로 제출용 파일 submission.csv, submission_rf.csv, submission_gbf를 만든다.
submission = pd.DataFrame({"PassengerId" : test_data['PassengerId'],
"Survived" : predictions})
submission.to_csv('submission.csv', index=False)
submission = pd.read_csv('submission.csv')
submission.head()
rf_clf.fit(final_train_data, label)
predictions_rf = rf_clf.predict(final_test_data)
submission_rf = pd.DataFrame({"PassengerId" : test_data['PassengerId'],
"Survived" : predictions_rf})
submission_rf.to_csv('submission_rf.csv', index=False)
submission_rf = pd.read_csv('submission_rf.csv')
submission_rf.head()
gbrt.fit(final_train_data, label)
predictions_gbf = gbrt.predict(final_test_data)
submission_gbf = pd.DataFrame({"PassengerId" : test_data['PassengerId'],
"Survived" : predictions_gbf})
submission_gbf.to_csv('submission_gbf.csv', index=False)
submission_gbf = pd.read_csv('submission_gbf.csv')
submission_gbf.head()위의 코드를 실행하면 자신의 코드가 있는 폴더에 submission.csv가 만들어진걸 확인할 수 있다!
- 여기에서
Submit Predictions클릭한 뒤, 파일을 올리고,Make Submission을 클릭하면 다음과 같이 점수를 볼 수가 있다.
세가지를 전부 올려 테스트를 해본 결과, 다음과 같은 결과가 나왔다.
Gradient Boosting Score
-> 0.75598
Random Forest Score
-> 0.7751
SVM Score
-> 0.78468