Titanic Survival Prediction

项目背景

Titanic 生存预测是机器学习领域的经典入门项目。本项目的目标不仅是获得高准确率，更重要的是展示完整的数据科学工作流：从原始数据到可解释的最终模型。

核心流程

graph LR
  A[Raw Data] --> B[EDA & Cleaning]
  B --> C[Feature Engineering]
  C --> D[Model Training]
  D --> E[Cross Validation]
  E --> F[Hyperparameter Tuning]
  F --> G[Model Ensemble]
  G --> H[Interpretation]

核心功能

• 数据清洗：缺失值处理、异常值检测、数据类型转换
• EDA：统计分布、相关性热力图、生存率分析
• 特征工程：Title 提取、FamilySize、FareBin、AgeBin、Embarked 编码
• 模型对比：Logistic Regression、Random Forest、XGBoost、SVM
• 超参数调优：Grid Search + Random Search
• 模型解释：特征重要性、SHAP 值分析

关键特征

项目结构

ml-practice/
└── titanic-survival-prediction/
  ├── data/
  │   ├── train.csv
  │   └── test.csv
  ├── notebooks/
  │   ├── 01-eda.ipynb
  │   ├── 02-feature-engineering.ipynb
  │   └── 03-modeling.ipynb
  ├── src/
  │   ├── preprocess.py
  │   ├── features.py
  │   └── model.py
  └── README.md

核心代码

数据探索

Loading code...

特征工程

Loading code...

效果展示

技术要点

缺失值处理策略

• Age: 按 Title (Mr/Mrs/Miss/Master) 分组计算中位数填充
• Embarked: 使用众数填充
• Fare: 按 Pclass 分组中位数填充
• Cabin: 转换为 HasCabin 布尔特征（有无 cabin 信息本身就是信号）

模型融合

使用 Stacking（堆叠集成）：

• Level-0: Random Forest + XGBoost + Gradient Boosting
• Level-1: Logistic Regression 作为元学习器
• 通过 out-of-fold 预测避免数据泄露

评估指标

• Accuracy: 总体准确率
• Precision/Recall: 关注生存者的识别能力
• ROC-AUC: 模型区分能力
• Cross-Validation: 5-Fold Stratified K-Fold