贵州大学大数据与信息工程学院 郑晓静 朱 桐

Titanic生存问题常见分类算法对比分析

贵州大学大数据与信息工程学院 郑晓静 朱 桐

为了分析Titanic人员生存问题，针对生存与否使用常见的六种二分类模型进行了分析判断，通过对各模型准确率及效率的分析比较，发现SVM算法在解决此问题时的准确率较高，且计算时间较短。

Titanic生存问题；机器学习；分类算法

引言

泰坦尼克号沉没事故为和平时期死伤人数最惨重的海难之一，在2224名船员及乘客中，逾1500人丧生。 而决定船上人员存活状况的条件也由多种因素决定着，此文通过k-近邻分类算法，逻辑回归，支持向量机，朴素贝叶斯，决策树及随机森林共六种算法分别实现对Titanic人员数据的分类判别，研究其准确率及相对效率。

1.问题分析

针对Titanic人员生存判断问题，此处我们使用kaggle平台的Titanic人员生存数据集为样本，通过对船上人员的年龄、性别、座号，船舱等级、亲属关系等信息作为影响因素来使用几种不同的分类算法进行生存状况分析。

2.数据预处理

Titanic人员生存数据共1309组，其中取前891组数据为学习样本，剩余418组数据为测试样本。

为消除数据中各指标之间的量纲和取值范围差异的影响，此处采用离差标准化对原始数据进行线性变换，将数值映射到[0,1]区间，公式如下：

其中max为单维度样本数据最大值，min为单维度样本数据最小值。

3.分类算法

3.1 k-近邻分类算法

kNN算法是一种常用的监督学习方法，通过学习样本的学习后，再用测试样本分类检验，如果测试样本中一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性[1]。……