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

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

物流人工智能_机器学习

深度学习的泰坦尼克号数据集

HTML5期末考核大作业源码 包含 个人、 美食、 公司、 学校、 旅游、 电商、 宠物、 电器、 茶叶、 家居、 酒店、 舞 蹈、 动漫、 服装、 体育、 化妆品、 物流、 环保、 书籍、 婚纱、游戏、 节日、 戒烟、 电影、 摄影、 文化、 家 乡、 鲜花、 礼品、 汽车、 其他 可满足大学生网页大作业网页设计作业需求, 喜欢的可以下载! 原生(HTML+CSS+JS),网页作品代码简单,可使用任意HTML编辑软件（如：`Dreamweaver、HBuilder、Vscode 、Sublime 、 Webstorm、Text 、Notepad++` 等任意html编辑软件进行运行及修改编辑等操作） HTML静态网页设计作业，采用DIV+CSS布局，共有多个页面，使用CSS排版比较丰富，色彩鲜明有活力,顶部导航及底部 区域背景色为100%宽度。都是给学生定制的都符合学生考试期末作业的水平,有的有js，有的视频+音乐+flash的等 元素的插入。 【查看更多源码地址】：https://blog.csdn.net/VX_WJ88950106?type=blog

【菜菜的sklearn课堂】决策树-泰坦尼克号幸存者预测数据集

passengerid： 乘客 ID class： 舱位等级 (1 = 1st, 2 = 2nd, 3 = 3rd)** name： 乘客姓名 sex： 性别 age： 年龄 sibsp： 在船上的兄弟姐妹／配偶个数 parch： 在船上的父母／小孩个数 ticket： 船票信息 fare： 票价 cabin： 客舱 embarked： 登船港口 (C = Cherbourg, Q = Queenstown, S = Southampton) survived: 变量预测为值 0 或 1（这里 1 表示幸存，0 表示遇难）