泰坦尼克号深度生存分析：使用Pandas，Matplotlib，Seaborn库来分析，可视化和探索乘坐泰坦尼克号旅行的人的数据，并使用Scikit学习建模算法来预测其生存的可能性

titanic.csv以及titanic_train.csv 泰坦尼克号获救数据两个，两个文件， 特征不太一样

随机森林实现及调参一、R语言方法一、手动调参方法二、网格调参二、python 注：本博客数据仍采用决策树调参的泰坦尼克号数据，前奏(数据预处理)请参考☞ 决策树R&Python调参对比☜ 一、R语言 方法一、手动调参 PS.仅使用常规包：randomForest和循环编写。 1-建模 set.seed(6) rf <- randomForest(Survived~.,data=train,ntree=100) y_pred <- predict(rf,test) A <- as.matrix(table(y_pred,test$Survived)) acc <- sum(diag(A))/su

泰坦尼克号生还情况预测 Kaggle 是一个流行的数据科学竞赛平台，由 Goldbloom 和 Ben Hamner 创建于 2010 年。

Kaggle:入门赛Tatanic（泰坦尼克号）84.21%带你冲进前2%。另创作时间很久了，有些内容需要进一步的改进。说明一下本身资源需要积分很少，不知道怎么现在变成这么多

Kaggle_Titanic 17％的人使用keras和深度学习神经网络向泰坦尼克号Kaggle竞赛提交的作品最多

Titanic-master泰坦尼克号幸存者数据

**主要是让参赛选手根据训练集中的乘客数据和存活情况进行建模，进而使用模型预测测试集中的乘客是否会存活。乘客特征总共有11个，以下列出。当然也可以根据情况自己生成新特征，这就是特征工程（feature engineering）要做的事情了。**

kaggle经典问题-泰坦尼克预测，结果为0.81818，包括：代码，实验数据，代码运行得到的数据。

做数据处理、机器学习的可以下载下来分析存活率与哪些因素有关。