泰坦尼克号生存预测：经典机器学习入门项目的完整实现

almxnas在GitHub上的泰坦尼克号生存预测项目是经典机器学习入门案例，涵盖数据预处理、特征工程、模型训练（逻辑回归、随机森林）到Streamlit Web应用部署的完整流程。作为数据科学的"Hello World"，它不仅适合初学者掌握端到端项目技能，还能引发对历史伦理的深度思考。

泰坦尼克号数据集来自Kaggle，记录1912年沉船事故乘客信息与生存状况，约1300条记录，特征类型丰富（数值+类别），二分类目标明确。对初学者友好：数据量适中、业务含义易理解，且项目封装为交互式Web应用，是端到端数据科学的优秀范例。

预处理：Age按Pclass/Sex分组填充、Embarked用众数填充、Cabin缺失率高可删除或提取甲板信息；类别编码：Sex二值化、Embarked独热编码；特征工程：创建FamilySize（SibSp+Parch+1）、提取Title/Deck、Fare分箱、Age分组；数值特征需标准化/归一化（如逻辑回归）。

使用两种经典算法：

• 逻辑回归：基线模型，简单可解释，适合验证数据与特征有效性；
• 随机森林：捕捉非线性交互，鲁棒性强，提供特征重要性评估。 训练流程：80/20划分数据集，交叉验证评估泛化能力，可通过网格/随机搜索调优超参数。

二分类评估指标包括：

• 准确率（注意类别不平衡）；
• 精确率/召回率/F1-Score（平衡两者）；
• ROC-AUC曲线（衡量区分能力）；
• 混淆矩阵（直观展示预测结果分布）。

用Streamlit构建应用：

• 输入控件：滑动条（年龄/票价）、下拉菜单（船舱等级/性别/登船港口）、数字输入（家庭成员数）；
• 显示组件：预测结果、生存概率、特征重要性可视化；
• 部署方式：本地运行（streamlit run app.py）或云端（Streamlit Community Cloud等）。

学习价值：全流程体验、特征工程实践、模型对比理解、工程化思维； 扩展方向：尝试SVM/XGBoost/神经网络、超参数调优、特征选择、集成学习、SHAP值解释单个预测。

数据反映：

• 阶级差异：一等舱生存率63% vs 三等舱24%；
• 性别牺牲：男性生存率19% vs女性74%；
• 儿童保护：儿童生存率较高。 使用数据集时需思考背后的社会含义，技术之外的人文历史价值不可忽视。