随机森林模型解决泰坦尼克

### 使用随机森林模型进行泰坦尼克号生存预测

#### 数据准备
为了构建有效的机器学习模型，数据预处理至关重要。从 Kaggle 泰坦尼克号项目页面下载的数据集包含了乘客的各种特征，如姓名、年龄、性别和社会经济地位等[^2]。

这些原始数据通常需要经过清洗和转换才能用于建模。具体操作包括缺失值填充、类别变量编码以及标准化数值型特征。对于分类算法而言，确保输入数据的质量能够显著提升最终模型的表现效果。

#### 特征工程
在实际应用中，除了基本的人口统计学信息外，还可以创建一些新的衍生特征来增强模型表现力。例如：

- 家庭成员数量（SibSp + Parch）
- 是否独自旅行（家庭成员数=0）

通过这种方式可以挖掘更多潜在模式并提高预测准确性。

#### 构建随机森林模型
Python 的 `scikit-learn` 库提供了简单易用的接口实现随机森林分类器。下面是一个简单的代码示例展示如何利用该库来进行泰坦尼克号生存预测：

import pandas as pd
from sklearn.model_selection import train_test_split, cross_val_score
from sklearn.ensemble import RandomForestClassifier
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import LabelEncoder

# 加载数据
data = pd.read_csv('titanic.csv')

# 处理缺失值
imputer = SimpleImputer(strategy='most_frequent')
data[['Age']] = imputer.fit_transform(data[['Age']])

# 编码分类变量
label_encoder = LabelEncoder()
data['Sex'] = label_encoder.fit_transform(data['Sex'])

# 创建新特征
data['FamilySize'] = data['SibSp'] + data['Parch']
data['IsAlone'] = (data['FamilySize'] == 0).astype(int)

# 准备训练集与标签
X = data.drop(['Survived', 'Name'], axis=1)
y = data['Survived']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化随机森林分类器
rf_clf = RandomForestClassifier(n_estimators=100, random_state=42)

# 训练模型
rf_clf.fit(X_train, y_train)

# 进行交叉验证评估模型性能
scores = cross_val_score(rf_clf, X_train, y_train, cv=5)
print(f'Cross-validation scores: {scores.mean():.3f} (+/- {scores.std() * 2:.3f})') 

# 测试集上做预测
predictions = rf_clf.predict(X_test)

上述过程展示了完整的流程：从加载数据到预处理直至最后使用随机森林模型做出预测，并采用五折交叉验证方法评价模型泛化能力[^3]。