R 빅데이터분석기사 실기 작업형2(타이타닉 생존여부) 소스 코드 25일차 빅분기 독학

 

 

학습용 데이터(train)을 이용하여 생존 예측 모형을 만든 후, 이를 평가용 데이터(x_test)에 적용하여 얻은 예측값을 다음과 같은 형식의 CSV파일로 생성하시오(제출한 모델의 성능은 accuracy 평가지표에 따라 채점)

train.csv

0.06MB

x_test.csv

0.03MB

y_test.csv

0.00MB

train 데이터를 7:3비율로 train set, validation set 으로 나눠서 하이퍼파라미터를 튜닝하고 좋은모델을 만든다.

그 모델을 x_test셋에 적용해서 예측결과와 y_test(정답, 실제 시험에서는 없음)와 비교한다.

 

 

예측결과.csv 출력형태

 

모델은 성능도좋고 분류,회귀 모델 둘다 가능한 랜덤포레스트로 연습을 한다.

이 문제는 생존여부니까 분류 문제이다.

 

1. 데이터호출

      

      

      

    
    

      <r />
    
library(dplyr)
library(randomForest)
library(ModelMetrics)
df<-read.csv('../input/titanic/train.csv')
test<-read.csv('../input/titanic/x_test.csv')
y_test<-read.csv('../input/titanic/y_test.csv')

 

2. EDA

      

      

      

    
    

      <r />
    
colSums(is.na(df)) #age컬럼에 결측값 있음
summary(df)
str(df)

      

      

      

    
    

      <r />
    
PassengerId0Survived0Pclass0Name0Sex0Age177SibSp0Parch0Ticket0Fare0Cabin0Embarked0
  PassengerId       Survived          Pclass          Name          
 Min.   :  1.0   Min.   :0.0000   Min.   :1.000   Length:891        
 1st Qu.:223.5   1st Qu.:0.0000   1st Qu.:2.000   Class :character  
 Median :446.0   Median :0.0000   Median :3.000   Mode  :character  
 Mean   :446.0   Mean   :0.3838   Mean   :2.309                     
 3rd Qu.:668.5   3rd Qu.:1.0000   3rd Qu.:3.000                     
 Max.   :891.0   Max.   :1.0000   Max.   :3.000                     
                                                                    
     Sex                 Age            SibSp           Parch       
 Length:891         Min.   : 0.42   Min.   :0.000   Min.   :0.0000  
 Class :character   1st Qu.:20.12   1st Qu.:0.000   1st Qu.:0.0000  
 Mode  :character   Median :28.00   Median :0.000   Median :0.0000  
                    Mean   :29.70   Mean   :0.523   Mean   :0.3816  
                    3rd Qu.:38.00   3rd Qu.:1.000   3rd Qu.:0.0000  
                    Max.   :80.00   Max.   :8.000   Max.   :6.0000  
                    NA's   :177                                     
    Ticket               Fare           Cabin             Embarked        
 Length:891         Min.   :  0.00   Length:891         Length:891        
 Class :character   1st Qu.:  7.91   Class :character   Class :character  
 Mode  :character   Median : 14.45   Mode  :character   Mode  :character  
                    Mean   : 32.20                                        
                    3rd Qu.: 31.00                                        
                    Max.   :512.33                                        
                                                                          
'data.frame':	891 obs. of  12 variables:
 $ PassengerId: int  1 2 3 4 5 6 7 8 9 10 ...
 $ Survived   : int  0 1 1 1 0 0 0 0 1 1 ...
 $ Pclass     : int  3 1 3 1 3 3 1 3 3 2 ...
 $ Name       : chr  "Braund, Mr. Owen Harris" "Cumings, Mrs. John Bradley (Florence Briggs Thayer)" "Heikkinen, Miss. Laina" "Futrelle, Mrs. Jacques Heath (Lily May Peel)" ...
 $ Sex        : chr  "male" "female" "female" "female" ...
 $ Age        : num  22 38 26 35 35 NA 54 2 27 14 ...
 $ SibSp      : int  1 1 0 1 0 0 0 3 0 1 ...
 $ Parch      : int  0 0 0 0 0 0 0 1 2 0 ...
 $ Ticket     : chr  "A/5 21171" "PC 17599" "STON/O2. 3101282" "113803" ...
 $ Fare       : num  7.25 71.28 7.92 53.1 8.05 ...
 $ Cabin      : chr  "" "C85" "" "C123" ...
 $ Embarked   : chr  "S" "C" "S" "S" ...

 

3. 전처리

      

      

      

    
    

      <r />
    
#범주형 변수 factor형으로 변환(레이블인코딩)
df$Sex<-as.factor(df$Sex)
df$Embarked<-as.factor(df$Embarked)
df$Survived<-as.factor(df$Survived)
df$Pclass<-as.factor(df$Pclass)

test$Sex<-as.factor(test$Sex)
test$Embarked<-as.factor(test$Embarked)
test$Pclass<-as.factor(test$Pclass)

#age 결측값 중앙값으로대체
df$Age<-coalesce(df$Age,median(df$Age,na.rm=T))
test$Age<-coalesce(test$Age,median(test$Age,na.rm=T))

#name,ticket,cabin은 범주형 변수인데 차원이 너무 많아서 삭제
df<-df[,-c(4,9,11)]
test<-test[,-c(3,8,10)]

#train셋 7:3비율로 train,validation 나눔
idx<-sample((1:nrow(df)),nrow(df)*0.7)
x_train<-df[idx,]
x_test<-df[-idx,]

 

4. 모델 생성, 예측

      

      

      

    
    

      <r />
    
m<-randomForest(Survived~.-(PassengerId),data=x_train, ntree=100)
p=predict(m,x_test)

 

5. 모델 평가

      

      

      

    
    

      <r />
    
result<-caret::confusionMatrix(x_test$Survived, p)$overall[1]
result

      

      

      

    
    

      <r />
    
Accuracy: 0.727611940298508

 

6. 최종 모델 생성 및 예측

      

      

      

    
    

      <r />
    
m1<-randomForest(Survived~.-(PassengerId),data=df, ntree=100)
p1=predict(m1,test)

 

7. 최종모델 예측 평가

      

      

      

    
    

      <r />
    
result<-caret::confusionMatrix(p1, as.factor(y_test$Survived))$overall[1]
result

      

      

      

    
    

      <r />
    
Accuracy: 0.654676258992806

 

8. csv파일 제출 및 확인

      

      

      

    
    

      <r />
    
ans<-cbind('PassengerId'=test$PassengerId,'Survived'=p1)
write.csv(ans,"result.csv",row.names=F)
confirm<-read.csv("result.csv")
head(confirm)

      

      

      

    
    

      <r />
    
A data.frame: 6 × 2
  PassengerId 	 Survived
       <int>	    <int>
1	892		1
2	893		1
3	894		1
4	895		1
5	896		1
6	897		1