数据来源：Kaggle数据集 → 共有1309名乘客数据，其中891是已知存活情况（train.csv），剩下418则是需要进行分析预测的（test.csv） 字段意义： PassengerId: 乘客编号 Survived :存活情况（存活：1 ; 死亡：0） Pclass : 客舱等级 Name : 乘客姓名 Sex : 性别 Age : 年龄 SibSp : 同乘的兄弟姐妹/配偶数 Parch : 同乘的父母/小孩数 Ticket : 船票编号 Fare : 船票价格 Cabin

Titanic数据集是非常适合数据科学和机器学习新手入门练习的数据集。 数据集为1912年泰坦尼克号沉船事件中一些船员的个人信息以及存活状况。这些历史数据已经非分为训练集和测试集，你可以根据训练集训练出合适的模型并预测测试集中的存活状况。

泰坦尼克号，Titanic，英语演讲PPT，包含故事梗概，精彩集锦，精彩图片，高清大图，非常适合作为英语演讲使用~

泰坦尼克号的生存预测原始数据，以及Kaggle的下载网站

预测泰坦尼克号乘客的生存-Kaggle竞赛 使用技能：NumPy，Pandas，Seaborn，scikit-learn（决策树分类器，SVM），xgboost（XGBClassifier），集成学习 挑战 泰坦尼克号的沉没是历史上最臭名昭著的海难之一。 1912年4月15日，在她的处女航中，被广泛认为的“沉没” RMS泰坦尼克号与冰山相撞后沉没。 不幸的是，船上没有足够的救生艇供所有人使用，导致2224名乘客和机组人员中的1502人死亡。 虽然幸存有一些运气，但似乎有些人比其他人更有可能生存。 在这一挑战中，我们要求您建立一个预测模型来回答以下问题：“什么样的人更有可能生存？” 使用乘客数据（即姓名，年龄，性别，社会经济舱等）。 我解决挑战的方法 处理数据以解决0，NaN等问题。 进行探索性数据分析以执行功能选择和工程设计 随机选择火车/测试区 训练决策树分类器，XGB分类器和S

lstm tensorflow 使用 LSTM 模型来对泰坦尼克号数据集进行预测 使用 Keras 深度学习框架 通过使用 scikit-learn 的 load_titanic 函数来完成

Titanic数据集主要包含两部分,训练集(train.csv)和测试集(test.csv)。其中训练集中包含乘客的基本信息和最终在事故中的存活情况,测试集只包含乘客的基本信息, 不包含存活情况。 目的:通过对训练集中乘客的基本信息和存活情况的分析,找到背后隐藏的某种规律,去推断测试集中的乘客是否遇难。

r-kaggle-泰坦尼克号 #Titanic生存预测 该存储库包含我针对Kaggle的《泰坦尼克号生存预测问题》的一些方法。 该存储库包括用于功能选择的脚本，用于数据建模的替代策略，原始测试和训练数据集以及为其生成的可视化图。 所有代码段均以R编写。 泰坦尼克号生存预测问题 在这一普遍的挑战中，目标是根据性别，阶级，机票详细信息，年龄类别等属性来预测什么样的人可能度过泰坦尼克号灾难。 程式码范例 去做 动机 列出的示例代码中的一种方法已提交给Kaggle。 安装 数据集可以在“数据”文件夹中找到。 它包括2个分别用于培训和测试的csv文件。 train.csv（59.76 kb） test.csv（27.96 kb） 使用以下R包。 seqinr：生物序列检索和分析 e1071：统计部概率论小组的其他职能（以前为E1071），维也纳工业大学 派对：递归派对的实验室 Ame

卡格格-泰坦尼克号 这使用Common Lisp解决了kaggle教程“”。 2015/10/19：我决定首先使用朴素的贝叶斯分类器。 但是，我认为这不是执行此任务的正确方法。 我只想知道这种“幼稚”的方式可以达到什么速率作为基准。 用法 首先，您需要从上述kaggle教程中获取“ train.csv”和“ test.csv”（还需要注册Kaggle）。 然后，将它们放在该项目下的“资源”目录中。 该项目导出两个函数“ main”和“ cross-validate”。 “主要”功能 学习使用“ train.csv”中的所有数据。 使用“ test.csv”中的所有数据将分类结果输出到“ resources / result.csv” (kaggle-titanic:main) “交叉验证”功能 使用“ train.csv”中的数据进行k交叉验证。 （k = 5） 将结果输出到标准输

泰坦尼克号数据可视化1