# Titanic

[TOC]

## Introduction

這是一個在[Kaggle](https://www.kaggle.com/c/titanic/overview)上具有眾多挑戰者的一項挑戰，資料量不大，但很髒。主要為鐵達尼號搭乘者在撞擊冰山之後的生還資料。主辦方所提供的數據有三個：
1. train.csv
2. test.csv
3. gender_submissing.csv

參加者必須利用提供的數據，設計一個模型來預測乘客的生存與否。
## Dataset

數據由三個CSV檔案組成，在`train.csv`、`test.csv`中分別有891筆以及418筆乘客資訊。`gender_submission.csv`檔案中包含了`test.csv`資料內的乘客生還狀況。

在資料集中，存在以下的資訊：

| Variable | Definition | Remark |
|:--------:|:------------------------------------------:|:--------------------------------:|
| Survival | Survival | 0 = deceased, 1 = survived |
| Pclass | Ticket class | 1 = First, 2 = Second, 3 = Third |
| Sex | Sex | male, female |
| Age | Age in years | float, contains decimal counts |
| Sibsp | # of siblings / spouses aboard the Titanic | |
| Parch | # of parents / children aboard the Titanic | Some children travelled only with a nanny, therefore parch=0 for them. |
| Ticket | Ticket number | |
| Fare | Passenger fare | float |
| Cabin | Cabin number | |
| Embarked | Port of Embarkation | {Port}\s{ID} |

## Data Mining and Analysis

在進行資料分析之前，我們可以先思考一下哪些可能會是提高生存率的因素：

1. 艙等：較高艙等的旅客，可能因服務以及設施較佳而獲得更高的存活率？
2. 性別：是否因為觀念以及道德緣由，而讓特定性別存活率較高？（i.e. 禮讓女性等）
3. 年齡：是否因為年齡的影響，而在逃生時具有較高之優先度或存活率？（壯年者較容易存活，或是小孩較受到保護）
4. 家庭人數：倖存者是否可能因身處在較多人/少人的逃生團體，進而提昇存活率？而團體內的成員組成是否又影響到團體的存活能力？

既然提出了假設，那我們可以透過分析數據來驗證我們的想法。

1. 艙等對於存活率之影響：
從上圖可見，艙等對存活率是有影響的。

2. 性別對於存活率之影響：
從上圖可見，性別對存活率是有影響的。

3. 年齡對於存活率之影響：
從上圖所得到的資訊，我們很難直接判斷大部份年齡對於存活率的影響程度。唯一能確定的是0-10歲的嬰兒具有較高之存活率，可能是因為逃難群眾認為應該優先保障幼兒的判斷所導致。

4. 家庭人數對存活率之影響：
從上圖可以發現，無論是家庭人數太多（人數>5）或太少（人數<2）的家庭都具有較差的存活率。在人數為2-5人的家庭出現了存活率較高的跡象，這表明人數對存活率有一定的影響能力。或許可以解讀為「人太少時，難以生存；但人太多時反而阻礙逃生」？

## 模型建立

基於這項挑戰的目標是「預測乘客的生存與否」，我們在模型的選擇上將會以分類器為主要的目標。常見的分類器有SVM、K-NN、以及Random Forest等分類器。在這邊我們可以簡單的闡述各種分類器的實作以及所需要的預處理。

1. Support Vector Machine (SVM)：
SVM是可以用於進行分類以及擬合的，一個非常基礎的監督式學習演算法。輸入資料可以是一維或是多維的數組，每一筆資料必須要有相應的標記或是對應函數值來讓SVM進行分類或是擬合的處理。

SVM的原理是利用建構一個超平面的方法來將數據進行分類，分類方式可以是線性或是非線性的。假定有一個$p$維的數據，SVM可以在$(p-1)$維的空間中找出一個超平面來對整組數據進行分類。對於一些線性不可分等問題，SVM也可以利用Positive-definite kernel所建構的方法來進行處理。

在利用SVM時，基於其計算性質，輸入資料必須經過正規化等處理以避免模型預測受到資料範圍的影響。
> 延伸閱讀：https://scikit-learn.org/stable/modules/svm.html#svm
2. K-Nearest Neighbors Algorithm (K-NN):

3. Random Forest

###### tags: `技術隨筆` `數據分析實例` `Titanic`