今天尝试了一下kaggle，从最简单的训练题开始做机器学习的项目。

训练题有三个，我选择了第一个“泰坦尼克之灾”进行尝试。

“泰坦尼克之灾”背景是大家所熟悉的那个Jack and Rose的故事。豪华游艇要沉了，大家都惊慌逃生，可是救生艇数量有限。副船长发话了“Lady and Kid First！”，所以获救与否非随机，而是与一些因素相关的。

训练和测试的数据是乘客的一些信息以及获救情况，需要根据这些数据来预测其他乘客的存活情况。

这应该是一个二分类问题，也即Logistic Regresstion所能处理的范围。

大致浏览了一下数据，乘客的信息主要由这些：

提供的信息较多，刚开始觉得无所适从，记得Andrew NG老师说过，做机器学习的时候不要一上来就试图完美，先做一个基本的模型跑起来，有了结果之后再去优化这个模型或者做一个新的模型。

依据~~看电影得来的~~经验和数据

乘客的ID只是一个递增的数字，与结果没有太大的关联，所以直接舍
乘客的舱位等级肯定会影响存活与否
“Lady and Kid First！”也会涉及到性别对存活的影响，年龄也是如此；
堂兄弟/妹的个数似乎无法判别对最终结果的影响，暂时留存；
父母与孩子个数也是如此；船票信息主要是票号，对最终结果无太大影响，舍去；
票价和客舱信息应该是相关的，每个舱的价格不同，所以只取其一即可，票价作为一个连续的变量更好处理，但是查看数据后发现票价信息缺失了很大一部分，故此最初的模型暂不考虑影响；
登船港口无法判别，因此也暂时保留。

需要注意的是，在代码中，所有的数据都是以数字来保存的，但是给定的数据中很多都是字符串，比如性别，因此我们需要对数据进行一定的预处理，此模型中所使用的是pandas.get_dummies()函数。同时也要丢弃上面所说的无关数据。

之后使用sklearn的线性回归模型，设定好loss喂入数据即可。

预测时需要注意的是，测试数据也和训练数据一样需要进行相应的预处理。

以下是这个初步模型的最终代码。

纸上得来终觉浅，之前跟着Andrew老师学习了那么多理论知识，但是到实战的时候感觉不知道怎么用，还是需要多做项目来提升自己的能力。

2018-03-02更新：

经过以下的优化：