Advertisement

基于贝叶斯网络的Kaggle泰坦尼克号数据集分析.pdf

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本文通过构建贝叶斯网络模型对Kaggle平台上的泰坦尼克号乘客生存预测数据进行深入分析，探索各变量间的关系及其对生还率的影响。 参赛选手需要根据训练集中乘客的数据和生存情况建立模型，并利用该模型预测测试集中乘客的生存几率。总共有11个特征用于描述每位乘客的情况，当然也可以通过生成新特征来进行更深入的特征工程。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于贝叶斯网络的Kaggle泰坦尼克号数据集分析.pdf
    优质
    本文通过构建贝叶斯网络模型对Kaggle平台上的泰坦尼克号乘客生存预测数据进行深入分析，探索各变量间的关系及其对生还率的影响。 参赛选手需要根据训练集中乘客的数据和生存情况建立模型，并利用该模型预测测试集中乘客的生存几率。总共有11个特征用于描述每位乘客的情况，当然也可以通过生成新特征来进行更深入的特征工程。
  • Kaggle泰坦尼克号数据集
    优质
    Kaggle泰坦尼克号数据集是一个著名的学习资源，用于练习数据分析和机器学习技能。参与者通过预测乘客生存率来掌握分类算法等技术。 在Kaggle上下载资源很麻烦，每次都需要登录邮箱验证，如果没有账户则可能需要等待较长时间才能完成注册流程，从而无法直接下载数据集。因此我将这些资料共享出来，包含完整的训练集和测试集，是最全的数据集合了。
  • 泰坦尼克号 Kaggle 数据集.zip
    优质
    该数据集包含泰坦尼克号乘客信息，用于预测生存率分析，包括乘客ID、姓名、票号、登船港口等字段，常用于机器学习模型训练与评估。 题目提供的训练数据集包含11个特征：Survived（0代表死亡，1代表存活）；Pclass（乘客所持票类，有三种值：1、2、3）；Name（乘客姓名）；Sex（乘客性别）；Age（乘客年龄，存在缺失值）；SibSp（乘客兄弟姐妹或配偶的数量，整数值）；Parch（乘客父母或孩子的数量，整数值）；Ticket（票号，字符串格式）；Fare（乘客所持票的价格，浮点数范围0-500不等）；Cabin（乘客所在船舱编号，存在缺失值）；Embarked（乘客登船港口：S、C、Q，存在缺失值）。
  • 泰坦尼克号数据报告-泰坦尼克号数据分析.pdf
    优质
    本PDF报告深入分析了泰坦尼克号乘客的数据，涵盖了生存率、性别、年龄及舱位等级等因素的影响，旨在揭示这一历史悲剧背后的统计规律与社会现象。 泰坦尼克号数据报告 891名乘客中有549人遇难，占61.6%，342人生还，占38.4%。 各等级船舱的乘客人数如下： - 三等船舱：最多，占比为55.1% - 一等船舱：次之，占比为24.2% - 二等船舱：最少，占比为20.7% 男女乘客分布情况： 男乘客有577人，占64.8%；女乘客有314人，占35.2%。 年龄分布方面： 通过直方图可以看出，大多数人的年龄集中在29岁左右。具体描述性统计数据显示平均年龄为29.5岁，最大值为80岁，最小值不到一岁（使用int()取整后显示为零）。 兄弟姐妹及配偶在船上的乘客情况如下： - 没有兄弟姐妹或配偶的乘客较多，占68.2%。 父母和孩子也在船上分布的情况： 通过柱状图可以看出不同数量的家庭成员随行比例。
  • 泰坦尼克号 Kaggle 比赛数据集
    优质
    泰坦尼克号 Kaggle 比赛数据集是一组用于预测泰坦尼克号乘客生存率的数据，包含年龄、性别、登船地点等信息，旨在促进机器学习建模与分析。 这是从KAGGLE竞赛官方网站上下载的数据集。之前我也一直在寻找类似的数据，但需要大量积分才能获取，所以我上传供大家使用。
  • kaggle泰坦尼克号数据titanic
    优质
    简介：Kaggle泰坦尼克号数据集（Titanic）挑战赛旨在通过分析乘客信息预测其生存情况，是初学者学习数据分析与机器学习的经典案例。 平台下载的原始数据包括三个文件：train.csv、test.csv 和 gender_submission.csv。原本打算以0积分分享给大家，但最低需要1分才能进行分享。
  • 泰坦尼克号数据集分析...
    优质
    本项目基于著名的“泰坦尼克号”数据集进行深入探索和分析，旨在揭示乘客生存率背后的统计规律与社会因素。 泰坦尼克号数据集加上源代码及详细注释。
  • 泰坦尼克号数据集分析
    优质
    《泰坦尼克号数据集分析》探索了历史上著名海难中的乘客生存情况，通过数据分析揭示社会经济因素对生存率的影响。 泰坦尼克号数据集是数据分析领域的一个经典案例。1912年4月15日，在她的第一次航行中，泰坦尼克号与冰山相撞沉没，导致船上的2224名乘客和机组人员中有1502人遇难。这场灾难震惊了全世界，并促使船舶安全规定得以完善。 造成此次悲剧的一个原因是船上救生艇的数量不足。尽管在事故中的幸存者有一定运气成分，但某些人群比其他群体更有可能存活下来。那么有哪些因素影响着最终乘客的生存几率呢？ 泰坦尼克号数据集中包含11个特征： - Pclass：表示乘客所持有的票类（分为Lower、Middle和Upper三个等级） - Survived：0代表遇难，1代表幸存 - Name：乘客姓名 - Sex：乘客性别 - Age：乘客年龄（存在缺失值） - SibSp：同行的兄弟姐妹或配偶数量（整数值） - Parch：同行父母或子女的数量（整数值） - Ticket：票号（字符串格式） - Fare：票价金额（浮点数，范围从0到500不等） - Cabin：乘客所在的船舱位置（存在缺失值） - Embarked：登船港口（S、C和Q三个选项）
  • 泰坦尼克号幸存者预测分析（基于Kaggle数据）
    优质
    本研究利用Kaggle提供的泰坦尼克号乘客数据，通过数据分析和机器学习模型，探究并预测哪些乘客可能成为幸存者，深入解析影响生存率的关键因素。 机器学习期末作业 数据集来源：Kaggle泰坦尼克号罹难乘客生存预测数据集 代码编辑器：Jupyter Notebook 论文排版：LaTex
  • 泰坦尼克号数据集——在Kaggle上的下载
    优质
    泰坦尼克号数据集是Kaggle平台上一个经典的数据科学挑战项目，用于预测泰坦尼克号乘客的生存概率，深受数据分析师和机器学习爱好者的喜爱。 Titanic数据集可以从Kaggle上下载。