不使用keras实现Titanic旅客生存概率预测

好的，下面是使用Python实现的Titanic旅客生存概率预测代码，不使用Keras：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split

# 读取数据集
data = pd.read_csv("train.csv")

# 特征选择
features = ["Pclass", "Sex", "Age", "SibSp", "Parch", "Fare"]
X = pd.get_dummies(data[features])
y = data["Survived"]

# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 决策树模型训练
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

# 模型预测
y_pred = clf.predict(X_test)

# 模型评估
score = clf.score(X_test, y_test)
print("Accuracy:", score)

上述代码中，我们首先使用pandas库读取Titanic数据集，然后选择了6个特征进行预测，包括船票等级、性别、年龄、同伴数量等。接着，我们使用get_dummies函数将分类特征转化为数值特征。然后，我们使用train_test_split函数对数据集进行划分，将80%的数据用于训练，20%的数据用于测试。最后，我们使用DecisionTreeClassifier类创建一个决策树分类器，并使用fit函数对模型进行训练，使用predict函数对测试集进行预测，使用score函数计算模型的准确率。