Titanic: Machine Learning from Disaster(2)

前回はあまり深く考えずにやったので、今回は少しだけ深堀してみます。

pytry3g.hatenablog.com

今回は年齢の欠損値について少し考えてみました。前回は欠損値のあるデータは全て削除していましたが、生存予測をする際、年齢はかなり生存に影響するようです。なので欠損値に適切な年齢を与えることができれば、訓練データを減らすことなく高い精度で分類ができるのではと思いました。下の図は年齢での生存結果です。青が死亡、オレンジが生存です。若い人のほうが生き残ることができてて、年を取っている人のほうが生き残れていないような気がします。

f:id:pytry3g:20180122152315p:plain

で、どうやって適切な年齢を与えるかというと、乗客の名前に注目してみます。乗客の名前にはMr.やMiss.などの敬称が含まれています。この敬称はその人の年齢や性別によって変わってきます。以下のコードで敬称から年齢を与えています。

def get_age(name):
    name = name.split()
    if "Mr." in name:
        return 25.0
    elif "Miss." in name:
        return 20.0
    elif "Master." in name:
        return 8.0
    elif "Mrs." in name:
        return 30.0
    else:
        # Dr.
        return 40.0
    
for name in data[data["Age"].isnull()]["Name"]:
    new_age = get_age(name)
    data.loc[data["Name"] == name, "Age"] = new_age