data分析competition titanic

[idekazuki]

competitionで気をつけること ・外部データの使用禁止 ・ハンドラベリングの禁止 ・再現性の確保

• 再現性を確保するためには乱数のシード値を設定する必要がある。
• random_state で指定することが多い。 例 データの分割 scikit-learn のtrain_test_split()で訓練用データとテスト用データに分割するとき、分割はランダムに行われるので引数のrandom_stateでseed値を固定する必要がある。 X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size=0.3, random_state=42) ロジスティック回帰を用いて学習する時

  
  lr = LogisticRegression(random_state=42)

lr.fit(X_train, y_train)

[idekazuki]

データ分析の大まかな流れ ライブラリ・データ読み込み データの概観・分析・前処理 ベースラインモデルの構築 特徴量エンジニアリング 様々なモデルの構築・調整 モデルのアンサンブリング 予測の出力・提出

[idekazuki]

ランダムフォレスト法で指定できるパラメータは以下の通り。 max_depth：決定木の深さの最大値 min_samples_leaf：葉が含むサンプル数の最小値 n_estimators：決定木の数 n_jobs：計算に用いるスレッド数 random_state：乱数生成のシード値