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；
| 字段 | 含义 |
|---|---|
| PassengerId | 乘客唯一 ID |
| Survived | 目标标签：0 = 遇难，1 = 幸存 |
| Pclass | 客舱等级：1 一等、2 二等、3 三等（重要特征） |
| Name | 姓名，可提取头衔 Mr/Mrs/Miss 等衍生特征 |
| Sex | 性别：male/female，强相关幸存（女士优先） |
| Age | 年龄，存在大量缺失值 |
| SibSp | 同船兄弟姐妹 / 配偶数量 |
| Parch | 同船父母 / 子女数量 |
| Ticket | 船票编号 |
| Fare | 票价 |
| Cabin | 船舱号，缺失极多 |
| Embarked | 登船港口：S 南安普顿、C 瑟堡、Q 皇后镇 |
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_report3.1 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()