泰坦尼克号(RMS Titanic)：20世纪初，由英国白星航运公司制造的一艘巨大豪华客轮。是当时世界上最大的豪华客轮，被称为是“永不沉没的”或是“梦幻客轮”。但她却在1912年4月15日从南安普顿至纽约的处女航中，在北大西洋撞上冰山而沉没，由于缺少足够的救生艇，1500人葬生海底，造成了在和平时期最严重的一次航海事故，也是迄今为止最著名的一次。派拉蒙电影公司与20世纪福克斯电影公司于1997年将“泰坦尼克号”的事件改编为电影，在全球各地上映，轰动全球，也让她变得家喻户晓。
根据kaggle提供的数据集 ，总共样本1392，分为训练集，892个样本，其中存活乘客392人，测试样本，419个。数据集可以从kaggle官方网站下载，也可以从我的百度云盘下载。
首先对数据进行概览，数据集中包含字段，
PassengerId:乘客编号
Survived :存活情况（存活：1 ; 死亡：0）
Pclass:客舱等级（1，2，3）
Name:乘客姓名（姓+称谓+名）
Sex:性别（male男，female女性）
Age:年龄（乘客年龄）
SibSp:同乘的兄弟姐妹/配偶数（）
Parch:同乘的父母/小孩数（小孩和保姆会算为0）
Ticket:船票编号（船票号，有多个人公用一个船票号）
Fare:船票价格（乘船费用）
Cabin:客舱号（客舱编号）
Embarked : 登船港口（C = Cherbourg, Q = Queenstown, S = Southampton）
其中根据数据概览中可以看出，其他Age、Fare、Cabin和Embarked有缺失值：
下面对缺失值进行处理：
乘客年龄：由于缺失值较多，暂不做处理。
Fare根据kaggle上的多种模型验证一致认为缺失的乘客的数值为：8.05，
Cabin有相同Ticket号的具有相同的Cabin，根据这条规则填充了12条数据，其余填充为Unknown；
Embarked有两个缺失值，用C进行填充；
trainset <- read.csv('./train.csv', stringsAsFactors = F)
testset <- read.csv('./test.csv', stringsAsFactors = F)
fullset <-bind_rows(trainset, testset)#
str(fullset)#
fullset$Embarked[c(62,830)] <-'C'
fullset$Fare[1044] <-median(fullset[fullset$Pclass =='3'&fullset$Embarked =='S', ]$Fare,na.rm =TRUE)
CabinNA<-subset(fullset,fullset$Cabin=="")
CabinY<-subset(fullset,fullset$Cabin!="")
samet<-intersect(CabinNA$Ticket,CabinY$Ticket)
x<-match(samet,CabinY$Ticket)
for (i in x) {CabinNA$Cabin[i]<-CabinY$Cabin[i]}
fullset<- rbind(CabinNA,CabinY)
fullset$Cabin[fullset$Cabin=="NA"]<-"Unknown"
age预测
factor_vars <-c('PassengerId','Pclass','Sex','Embarked')
fullset[factor_vars] <-lapply(fullset[factor_vars], function(x)as.factor(x))
# Set a random seed
set.seed(129)
# Perform mice imputation, excluding certain less-than-useful variables:
mice_mod <- mice(fullset[, !names(fullset) %in% c('PassengerId','Name','Ticket','Cabin','Survived')], method='rf')
mice_output <-complete(mice_mod)
fullset$Age <-mice_output$Age
trainfullc <-full[1:891,]
testfullc <-full[892:1309,]
下面我选择随机森林（RandomForest）、决策树（DecisionTree）、logit 模型和支持向量机，建立模型，先建立一个预测的基准。
# Set a random seed
set.seed(754)
# Build the model (note: not all possible variables are used)
rf_model <-randomForest(factor(Survived) ~Pclass +Sex +Age +SibSp +Parch +Fare +Embarked +Title +FsizeD +Child +Mother,data =train)
# Show model errorplot(rf_model,ylim=c(0,0.36))legend('topright',colnames(rf_model$err.rate),col=1:3,fill=1:3)
# Get importanceimportance <-importance(rf_model)
varImportance <-data.frame(Variables =row.names(importance),Importance =round(importance[ ,'MeanDecreaseGini'],2))
# Create a rank variable based on importance
rankImportance <-varImportance %>%mutate(Rank =paste0('#',dense_rank(desc(Importance))))# Use ggplot2 to visualize the relative importance of variables
ggplot(rankImportance,aes(x =reorder(Variables, Importance),y =Importance,fill =Importance)) +geom_bar(stat='identity') +geom_text(aes(x =Variables,y =0.5,label =Rank),hjust=0,vjust=0.55,size =4,colour ='red') +labs(x ='Variables') +coord_flip() +theme_few()
# Predict using the test set
prediction <-predict(rf_model, test)
# Save the solution to a dataframe with two columns: PassengerId and Survived (prediction)
solution <-data.frame(PassengerID =test$PassengerId,Survived =prediction)
# Write the solution to file
write.csv(solution,file ='rf_mod_Solution.csv',row.names =F)
