上篇文章「Pytorch 基礎學習3: 圖像分類模型訓練」，講解Kaggle競賽-貓狗影像辨識資料集採用自定義模型並結合DataLoader對於數據進行批量化處理來進行模型訓練並透過Colab搭配程式碼來進行模型訓練與驗證，讓大家能夠更了解 PyTorch 在圖像分類辨識的應用 ，本篇將講解關於Pyotrch於數據分析上的應用，並透過Kaggle競賽-鐵達尼號生存預測分析於Colab上進行說明，使大家能夠更直觀的了解Pytorch於數據分析上的使用。
►資料預處理
►數據處理
可以發現train data資料欄位為乘客ID、是否存活、船票等級、姓名、性別、年齡、sibsp(在船上同為兄弟姐妹或配偶的數目)、parch(在船上同為家族的父母及小孩的數目)、船票編號、船票價格、船艙號碼與登船的口岸。(C = Cherbourg、Q = Queenstown,S = Southampton)
其中是否存活為所預測資料(label)，乘客ID為不影響是否存活資料，其他項目為預測是否存活的特徵資料。
補充：
Cherbourg：瑟堡，位於法國西北的一個城鎮，屬重要軍港和商港。Queenstown：目前稱為科芙，位於愛爾蘭，於1850年更名為皇后鎮（又稱昆士敦），以紀念維多利亞女王的造訪，直到1920年，愛爾蘭自由邦建立後，它被重新命名為科芙。Southampton：南安普敦，位於陽光燦爛的英國南方海岸，是個港口城市，離倫敦僅1小時車程，鐵達尼號正是從這裡出航。( 參考資料1)
對於訓練資料進行觀察可以發現是有缺失值。於年齡特徵欄位有177欄缺失值，並在船艙號碼特徵欄位有687欄缺失值，於登船的口岸有2欄缺失資料。
觀察年齡分布可以得知鐵達尼號乘客年齡大部分分布在20~40年紀，並且大部分乘客於S港口上船，其中男性乘客數量高於女性乘客數量。於訓練資料中訓最後生還者約佔
乘客的 38.38%、罹難者約佔 61.62%。
再對於訓練資料再進行近一步分析。可以歸納出以下幾點:
- 艙等愈好生存率愈高 (Pclass 1 > Pclass 2 > Pclass 3)
- 女性乘客存活率高於男性乘客
- 當船上的兄弟姐妹配偶人數有 1~2 人時，生存率較高
- 當船上的父母子女人數有1~3人時，生存率較高
►數據處理
►模型訓練
►小結
透過以上講解，能夠使用講解關於Pyotrch於數據分析上的應用，並透過Kaggle競賽-鐵達尼號生存預測分析於Colab上進行說明，對於數據集進行分析並進行數據清洗並搭配前面章節Dataset與DataLoader進行數據加載與迭代進行模型訓練，最後將訓練模型結果進行驗證，於驗證集上進行是否存活預測達到87%。就快要講解到目標檢測部分，期待下一篇博文吧！
►參考資料
Kaggle – Titanic倖存預測 #1
評論