🚢사이킷런으로 수행하는 타이타닉 생존자 예측

• 캐글에서 제공하는 타이나틱 탑승자 데이터 기반으로 생존자 예측을 사이킷런으로 수행
• 데이터 내용
  • Passerngerid : 탑승자 데이터 일련번호
  • survived : 생존여부(0=사망 / 1=생존)
  • pclass : 티켓의 선실 등급(1=일등석 / 2=이등석 / 3=삼등석)
  • sex : 탑승자 성별
  • name : 탑승자 이름
  • Age : 탑승자 나이
  • sibsp : 같이 탑승한 형재자매 또는 배우자 인원 수
  • parch : 같이 탑승한 부모님 또는 어린이 인원 수
  • ticket : 티켓 번호
  • fare :요금
  • cabin : 선실번호
  • embarked : 중간 정착 항구 (C=Cherbourg, Q=Queenstown, S=Southampton)

✅0. 전체 라이브러리 및 모듈 로드

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

from sklearn import preprocessing
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split, cross_val_score, KFold, GridSearchCV
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

💾1. 데이터 로드

titanic_df = pd.read_csv(r'./kaggle/titanic/titanic_train.csv')
titanic_df.head(3)

🔍2. Feature 확인 및 가공

# 데이터 칼럼 타입 확인
print(titanic_df.info())

# Null 처리 함수
def fillna(df):
    df['Age'].fillna(df['Age'].mean(), inplace=True)
    df['Cabin'].fillna('N', inplace=True)
    df['Embarked'].fillna('N', inplace=True)
    df['Fare'].fillna(0, inplace=True)
    return df

# 머신러닝 알고리즘에 불필요한 속성 제거
def drop_features(df):
    df.drop(['PassengerId', 'Name', 'Ticket'], axis=1, inplace=True)
    return df

# 레이블 인코딩 수행
def format_features(df):
    df['Cabin']=df['Cabin'].str[:1]
    features = ['Cabin', 'Sex', 'Embarked']
    for feature in features:
        le = LabelEncoder()
        le = le.fit(df[feature])
        df[feature] = le.transform(df[feature])
    return df

# 앞에서 설정한 데이터 전처리 함수 호출
def transform_features(df):
    df = fillna(df)
    df = drop_features(df)
    df = format_features(df)
    return df

📝3. 학습&테스트 데이터셋 추출

# 원본 데이터 재로딩. 피처 데이터 세트와 레이블 데이터 세트 추출
titanic_df = pd.read_csv(r'./kaggle/titanic/titanic_train.csv')
y_titanic_df = titanic_df['Survived']
x_titanic_df = titanic_df.drop('Survived', axis=1)

x_titanic_df = transform_features(x_titanic_df)

# train_test_split() API를 이용해 별도의 테스트 데이터셋 추출
x_train, x_test, y_train, y_test = train_test_split(x_titanic_df, y_titanic_df, test_size=0.2, random_state=11)

💡4. 머신러닝 알고리즘으로 생존자 예측

• 결정 트리(DecisionTreeClassifier 클래스), 랜덤 포레스트(RandomForestClassifier 클래스), 로지스틱 회귀(LogisticRegrssion 클래스) 이용
• 분리한 학습/테스트 데이터를 기반으로 fit(머신러닝 모델 학습), predict(예측)함
• 예측 성능 평가는 정확도 -> accuracy_score() API 이용

#결정트리, 랜덤포레스트, 로지스틱 회귀 위한 사이킷런 classifier 클래스 생성
dt_clf = DecisionTreeClassifier(random_state=11)
rf_clf = RandomForestClassifier(random_state=11)
lr_clf = LogisticRegression()

# 의사결정트리 학습, 예측, 평가
dt_clf.fit(x_train, y_train)
dt_pred = dt_clf.predict(x_test)
print('DecisionTreeClassifer 정확도 : {0:.4f}'.format(accuracy_score(y_test, dt_pred)))
  #DecisionTreeClassifer 정확도 : 0.7877

#랜덤포레스트 학습, 예측, 평가
rf_clf.fit(x_train, y_train)
rf_pred = rf_clf.predict(x_test)
print('RandomForestClassifier 정확도 : {0:.4f}'.format(accuracy_score(y_test, dt_pred)))
  #RandomForestClassifier 정확도 : 0.7877

# 로지스틱회귀 학습, 예측, 평가
lr_clf.fit(x_train, y_train)
lr_pred = lr_clf.predict(x_test)
print('LogisticRegression 정확도 : {0:.4f}'.format(accuracy_score(y_test, lr_pred)))
  #LogisticRegression 정확도 : 0.8492

💯5. 교차 검증으로 결정 트리 모델 평가

1. KFold

def exec_kfold(clf, folds=5):
    kfold = KFold(n_splits=folds) #폴드 세트를 5개인 KFold 객체 생성
    scores = [] # 폴드 수만큼 예측 결과 저장을 위한 리스트 객체 생성
    
    for iter_count, (train_index, test_index) in enumerate(kfold.split(x_titanic_df)):
        x_train, x_test = x_titanic_df.values[train_index], x_titanic_df.values[test_index]
        y_train, y_test = y_titanic_df.values[train_index], y_titanic_df.values[test_index]
        clf.fit(x_train, y_train)
        predictions = clf.predict(x_test)
        accuracy = accuracy_score(y_test, predictions)
        scores.append(accuracy)
        print('교차 검증 {0} 정확도 : {1:.4f}'.format(iter_count, accuracy))
    
    mean_score = np.mean(scores)
    print('평균 정확도 : {0:.4f}'.format(mean_score))

exec_kfold(dt_clf, folds=5)

2. cross_val_score() API

scores = cross_val_score(dt_clf, x_titanic_df, y_titanic_df, cv=5)
for iter_count, accuracy in enumerate(scores):
    print('교차 검증 {0} 정확도 : {1:.4f}'.format(iter_count, accuracy))
print('평균 정확도 : {0:.4f}'.format(np.mean(scores)))

3. GridSearchCV

parameters = {'max_depth':[2, 3, 5, 10], 'min_samples_split':[2, 3, 5], 'min_samples_leaf':[1, 5, 8]}
grid_dclf = GridSearchCV(dt_clf, param_grid=parameters, scoring='accuracy', cv=5)
grid_dclf.fit(x_train, y_train)

print('GridSearchCV 최적 하이퍼 파라미터 : ', grid_dclf.best_params_)
print('GridSearchCV 최고 정확도 : {0:.4f}'.format(grid_dclf.best_score_))
best_dclf = grid_dclf.best_estimator_

dpredictions = best_dclf.predict(x_test)
accuracy = accuracy_score(y_test, dpredictions)
print('테스트 세트에서의 DecisionTreeClassifier 정확도 : {0:.4f}'.format(accuracy))