ランダムフォレスト(機械学習)を使って、タイタニックで生き残れるかどうか予測する。

タイタニックデータ(性別・客席クラス・運賃の３要素だけ)を使って、生き残ったか機械学習(決定木)で判定してみる。

先の決定木を、たくさん用意して判定するから、ランダムフォレストらしい。
1, データの1/3しか使わない。残り2/3は同じデータで水増し。たくさん用意する事で過学習防止で予測精度が上がるらしい。
2, 特徴点も全部使わない。平方根個だけ(全部で16なら4個だけ。9なら3個だけ）

こうやって個性の違う決定木を100個以上使って、それぞれの結論を多数決(分類)・平均(回帰)で判定するらしい。

import seaborn as sns # データ・ライブラリ。
import pandas as pd # DataFrame
# 機械学習ライブラリ
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

# タイタニックのデータを取得して、データフレームに格納
df = sns.load_dataset('titanic')
# カラム毎にNaNじゃないレコード数をカウント
# df.count()

# ランダムフォレストでは欠損値(NaN)は扱えないので、変換する
df.isnull().sum()
# survived         0
# pclass           0
# sex              0
# age            177
# sibsp            0
# parch            0
# fare             0
# embarked         2
# class            0
# who              0
# adult_male       0
# deck           688
# embark_town      2
# alive            0
# alone            0
# dtype: int64

# 年齢が不明の場合は、平均年齢で上書き(けっこう雑だな…。)
age_mean = df['age'].mean()
df['age'] = df['age'].fillna(age_mean)

# 正解カラムを削ってから学習データにする(なんで二個あるの？)
df_x = df.drop(['survived','alive'], axis=1)
df_y = df['survived']

# get_dummiesで文字列型のデータを数値型（0-1）に変換します
df_x = pd.get_dummies(df_x)

# データを、学習用データ(train)と検証テスト用データ(test)に分ける。 test_size=0.25がデフォ
# xがその人の色々な要素。yがsurvived(生き残れたら1, 死んだら0)
train_x, test_x, train_y, test_y = train_test_split(df_x,df_y,random_state=1)

# ランダムフォレスト・モデルを生成(決定木200個、デフォは10。)
model = RandomForestClassifier(n_estimators=300,random_state=1)

# 機械学習、開始！
model.fit(train_x, train_y)
 
# 25%残しておいた検証テスト用データ(test_x)を使って、その人たちが生き残れるかどうか予測する
model.predict(test_x)
 
# 答え合わせして、スコア(正解率)を出してみる。
model.score(test_x,test_y)

import seaborn as sns # データ・ライブラリ。

import pandas as pd # DataFrame

# 機械学習ライブラリ

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

# タイタニックのデータを取得して、データフレームに格納

df = sns.load_dataset('titanic')

# カラム毎にNaNじゃないレコード数をカウント

# df.count()

# ランダムフォレストでは欠損値(NaN)は扱えないので、変換する

df.isnull().sum()

# survived 0

# pclass 0

# sex 0

# age 177

# sibsp 0

# parch 0

# fare 0

# embarked 2

# class 0

# who 0

# adult_male 0

# deck 688

# embark_town 2

# alive 0

# alone 0

# dtype: int64

# 年齢が不明の場合は、平均年齢で上書き(けっこう雑だな…。)

age_mean = df['age'].mean()

df['age'] = df['age'].fillna(age_mean)

# 正解カラムを削ってから学習データにする(なんで二個あるの？)

df_x = df.drop(['survived','alive'], axis=1)

df_y = df['survived']

# get_dummiesで文字列型のデータを数値型（0-1）に変換します

df_x = pd.get_dummies(df_x)

# データを、学習用データ(train)と検証テスト用データ(test)に分ける。 test_size=0.25がデフォ

# xがその人の色々な要素。yがsurvived(生き残れたら1, 死んだら0)

train_x, test_x, train_y, test_y = train_test_split(df_x,df_y,random_state=1)

# ランダムフォレスト・モデルを生成(決定木200個、デフォは10。)

model = RandomForestClassifier(n_estimators=300,random_state=1)

# 機械学習、開始！

model.fit(train_x, train_y)

# 25%残しておいた検証テスト用データ(test_x)を使って、その人たちが生き残れるかどうか予測する

model.predict(test_x)

# 答え合わせして、スコア(正解率)を出してみる。

model.score(test_x,test_y)

なぜか、決定木の方が予測精度が高い…。
ランダムフォレスト: 0.757847533632287
決定木: 0.8071748878923767

from sklearn.ensemble import RandomForestClassifier
model_randomforest = RandomForestClassifier(n_estimators=300,random_state=1)
model_randomforest.fit(train_x,train_y)

from sklearn import tree
model_tree = tree.DecisionTreeClassifier(max_depth=5, random_state=1)
model_tree.fit(train_x, train_y)

print('ランダムフォレスト:',model_randomforest.score(test_x,test_y))
print('決定木:',model_tree.score(test_x,test_y))

from sklearn.ensemble import RandomForestClassifier

model_randomforest = RandomForestClassifier(n_estimators=300,random_state=1)

model_randomforest.fit(train_x,train_y)

from sklearn import tree

model_tree = tree.DecisionTreeClassifier(max_depth=5, random_state=1)

model_tree.fit(train_x, train_y)

print('ランダムフォレスト:',model_randomforest.score(test_x,test_y))

print('決定木:',model_tree.score(test_x,test_y))

関連記事