【Kaggle】參加競賽基本流程（以Titanic爲例）

前言

第一次參加Kaggle的時候，看了很多入門帖，但是還是看不懂不知道到底怎麼參加，是在Kaggle上提交代碼嗎，像互聯網公司程序員在線考試一樣？還是提交預測的結果？

沒有一個像”Hello World”一樣簡單但是又完整的流程，因此寫了這篇文章，大家不用理解代碼的含義，只用複製現成的代碼，簡單的四步過下流程，熟悉下如何參加Kaggle即可

0.運行環境：

Win8
Python3.6.0
需要提前裝好的Python庫：pandas、numpy、sklearn

1.在比賽頁面下載數據

train.csv爲訓練集，test.csv爲測試集
gender_submission.csv爲提交的樣例，用於告訴你提交的格式

2.分析數據並訓練分類器

參考代碼：http://blog.csdn.net/guoxinian/article/details/73740746
第7行，需要修改爲你自己的文件地址！！

# -*- coding: utf-8 -*-

import pandas as pd #數據分析
import numpy as np #科學計算
from pandas import Series,DataFrame

data_train = pd.read_csv("G:/Machine Learning/Kaggle/GettingStar/Titanic/train.csv")
data_train

from sklearn.ensemble import RandomForestRegressor

### 使用 RandomForestClassifier 填補缺失的年齡屬性
def set_missing_ages(df):

    # 把已有的數值型特徵取出來丟進Random Forest Regressor中
    age_df = df[['Age','Fare', 'Parch', 'SibSp', 'Pclass']]

    # 乘客分成已知年齡和未知年齡兩部分
    known_age = age_df[age_df.Age.notnull()].as_matrix()
    unknown_age = age_df[age_df.Age.isnull()].as_matrix()

    # y即目標年齡
    y = known_age[:, 0]

    # X即特徵屬性值
    X = known_age[:, 1:]

    # fit到RandomForestRegressor之中
    rfr = RandomForestRegressor(random_state=0, n_estimators=2000, n_jobs=-1)
    rfr.fit(X, y)

    # 用得到的模型進行未知年齡結果預測
    predictedAges = rfr.predict(unknown_age[:, 1::])

    # 用得到的預測結果填補原缺失數據
    df.loc[ (df.Age.isnull()), 'Age' ] = predictedAges 

    return df, rfr

def set_Cabin_type(df):
    df.loc[ (df.Cabin.notnull()), 'Cabin' ] = "Yes"
    df.loc[ (df.Cabin.isnull()), 'Cabin' ] = "No"
    return df

data_train, rfr = set_missing_ages(data_train)
data_train = set_Cabin_type(data_train)


dummies_Cabin = pd.get_dummies(data_train['Cabin'], prefix= 'Cabin')

dummies_Embarked = pd.get_dummies(data_train['Embarked'], prefix= 'Embarked')

dummies_Sex = pd.get_dummies(data_train['Sex'], prefix= 'Sex')

dummies_Pclass = pd.get_dummies(data_train['Pclass'], prefix= 'Pclass')

df = pd.concat([data_train, dummies_Cabin, dummies_Embarked, dummies_Sex, dummies_Pclass], axis=1)
df.drop(['Pclass', 'Name', 'Sex', 'Ticket', 'Cabin', 'Embarked'], axis=1, inplace=True)


import sklearn.preprocessing as preprocessing
scaler = preprocessing.StandardScaler()




from sklearn import linear_model

# 用正則取出我們要的屬性值
train_df = df.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*')
train_np = train_df.as_matrix()

# y即Survival結果
y = train_np[:, 0]

# X即特徵屬性值
X = train_np[:, 1:]

# fit到RandomForestRegressor之中
clf = linear_model.LogisticRegression(C=1.0, penalty='l1', tol=1e-6)
clf.fit(X, y)







data_test = pd.read_csv("G:/Machine Learning/Kaggle/GettingStar/Titanic/test.csv")
data_test.loc[ (data_test.Fare.isnull()), 'Fare' ] = 0
# 接着我們對test_data做和train_data中一致的特徵變換
# 首先用同樣的RandomForestRegressor模型填上丟失的年齡
tmp_df = data_test[['Age','Fare', 'Parch', 'SibSp', 'Pclass']]
null_age = tmp_df[data_test.Age.isnull()].as_matrix()
# 根據特徵屬性X預測年齡並補上
X = null_age[:, 1:]
predictedAges = rfr.predict(X)
data_test.loc[ (data_test.Age.isnull()), 'Age' ] = predictedAges

data_test = set_Cabin_type(data_test)
dummies_Cabin = pd.get_dummies(data_test['Cabin'], prefix= 'Cabin')
dummies_Embarked = pd.get_dummies(data_test['Embarked'], prefix= 'Embarked')
dummies_Sex = pd.get_dummies(data_test['Sex'], prefix= 'Sex')
dummies_Pclass = pd.get_dummies(data_test['Pclass'], prefix= 'Pclass')


df_test = pd.concat([data_test, dummies_Cabin, dummies_Embarked, dummies_Sex, dummies_Pclass], axis=1)
df_test.drop(['Pclass', 'Name', 'Sex', 'Ticket', 'Cabin', 'Embarked'], axis=1, inplace=True)


test = df_test.filter(regex='Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*')
predictions = clf.predict(test)
result = pd.DataFrame({'PassengerId':data_test['PassengerId'].as_matrix(), 'Survived':predictions.astype(np.int32)})
result.to_csv("G:/Machine Learning/Kaggle/GettingStar/Titanic/logistic_regression_predictions.csv", index=False)

3.得到分類結果，根據比賽格式要求，輸出

運行完上述代碼後，會得到一個logistic_regression_predictions.csv，打開後如圖

這便是對測試集預測的結果，接下來進行提交

4.提交

點擊Titanic主頁右邊的Submit Predictions

①點擊上傳，②等待上傳完成，③提交

這裏需要騷等一會兒，正在計算準確率

OK，這裏顯示了你的排名、得分和次數

以上便是Kaggle最基本的操作

5.常見問題

1. FileNotFoundError: File b’XXXX/train.csv’ does not exist

可能原因：你的文件地址還沒有修改
解決辦法：代碼第7行，修改爲你存放train.csv的地址

2.提示pandas/ numpy/ sklearn 找不到

可能原因：對應的庫沒有安裝好
解決辦法：用pip安裝好對應的庫，win+R打開cmd窗口
輸入：

pip install numpy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install pandas -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install sklearn

參考文章：https://www.cnblogs.com/lxmhhy/p/6029465.html

若pip安裝不了，也可用手動安裝，參考：http://blog.csdn.net/Katrina_ALi/article/details/64922107