数据挖掘典型案例分析报告 第1篇
第一步还是先导入数据分析中需要用到的模块
再将数据集下载至jupyter 操作的Titanic项目文件夹下，用python打开训练集与测试集数据，为了方便数据清洗步骤操作，现将两份数据归为统一列表中，并输出两个数据集的结构信息，字段信息，粗略浏览数据信息。
test数据集的数据结构为：（418,11）。有418条记录，包含11个数据字段。
训练集的数据结构为：（891,12），891条数据记录，12个数据字段，其中相对于test多出的字段为Survival也就是生还状况，需要预测的数据。
首先需要划分出数据类型
根据数据内容信息，进行数据理解
最后对比两个数据集中的缺失值信息。
最后说明下提交文件的要求，提交文件预览结果只有两列，其中第一列为PessengerId，第二列为Survival信息，1或0，int64类型数据。
数据挖掘典型案例分析报告 第2篇
对比各参数我们选择SVM模型作为最终模型对测试集数据进行预测。
最后将模型估计生存结果，最后将结果输出到csv文件并提交到Kaggle平台。
数据分析总结
开篇有提到Titanic是我做过的第一份数据分析项目，第一次提交的结果也如上图，准确率仅有，第一次的分析操作中，只是用简单的LR模型进行拟合，并且数据清洗过程也存在很多不合理的地方。这次距离上次分析经过了2个月的时间，期间我丰富了自己机器算法知识（用到了更多的算法模型），并自主学习了，模型估计过程中的数据集挑选（交叉验证）、参数优化（网格搜索）的相关操作。这次准确率虽然只上涨到，但kaggle平台的项目排名却从89%到了22%，可见预测模型的优化是高投入低产出的过程，但在工作业务中，对模型的优化调整又是必不可少。因此，数据分析学习需要我们投入大量的时间精力去完善自己的分析思路（数据理解、特征筛选等）与算法操作（理论背景、python操作）。
在此还是老规矩，总结一下本次案例的不足与需要进一步学习的方面：
数据挖掘典型案例分析报告 第3篇
异常值主要出现在连续型特征中，
图中看出，Age数据存在很多在上界与下界之外的数据记录，但这些记录并不违反常识，年龄都在0岁以上和85岁以下，都是在正常的年龄分为内。
对比数据记录，不存在异常值。
除去Age外，还有Fare特征需要排除异常值，Fare在之前的直方图中存在很多的离群值，因此也同样画出箱型图，并查看异常值。
图看出Fare大多数数据在0-50，少部分在150左右，更少的在250，还有4个在500+，从横向看离群点的值都在较近的分布区间，另外根据观察数据发现Fare较高的人都是预订了多个房间，因此尽管有大量数据超过上界Fare的取值扔是合理的，（就像天价演唱会门票，如果也用箱型图，相信也是类似的分布状态。）
这部分通过图表与查询验证 数据中不存在异常值。
数据挖掘典型案例分析报告 第4篇
我认为是否有父母子女同乘是会导致过拟合的特征数据，。例如，有年迈的父母与有壮年的子女，同样是计数1但对模型的影响结果，方向是相反的，而且这种作用相反的例子不止一种，因为父母可能有年迈的可能有中年的有青年的，子女有婴儿或青壮年，因此这类数据如果用于分析，其对结果的影响，取决于不同作用样本量的期望值，这类数据或许与结果有相关关系，但是在没有较好的控制变量的情况下是不存在因果关系的。因此，除非样本集过于特殊，否则两项放入模型中会导致模型过拟合。兄弟姐妹同行人数，我认为也是这种情况。因此先不将两个特征放入模型。