从零构建泰坦尼克号生存预测：完整机器学习项目实战解析

泰坦尼克号生存预测是机器学习入门经典案例，本文解析了一个完整的开源项目，涵盖数据清洗、特征工程、模型对比到超参数调优的全流程，最终在Kaggle公开排行榜取得0.77的成绩。该项目展示了端到端机器学习系统的构建方法，对理解ML项目生命周期具有重要参考价值。

1912年泰坦尼克号沉没事件中，乘客生存率受性别、年龄、舱位等因素影响。Kaggle提供的数据集包含891条训练数据和418条测试数据，目标是预测乘客是否幸存。该数据集具有真实世界复杂性：存在缺失值、特征类型混杂（数值与类别），需领域知识进行特征工程，是初学者理解ML全流程的绝佳练手项目。

数据清洗是项目起点：

• 年龄缺失值：基于乘客称谓（如Mr、Mrs、Master）的中位数填充，更精准反映不同年龄段特征；
• 舱位缺失值：根据票价和舱位等级推断，高票价对应更好舱位；
• 登船港口缺失值：采用众数填充。 处理后数据集完整，适合后续建模。

特征工程是项目关键，衍生高价值特征：

• 称谓提取：从姓名中提取Title（如Mr、Mrs），与年龄、性别、社会地位相关，不同称谓生存率差异显著；
• 家庭规模：合并SibSp和Parch为FamilySize，中等规模家庭（2-4人）生存率最高；
• 票价分箱：离散化票价，降低异常值干扰，捕捉阶梯式关系；
• 年龄分段：划分儿童、青年等阶段，体现“妇女儿童优先”原则。

模型对比与调优：

• 模型对比：系统性对比逻辑回归、朴素贝叶斯、K近邻、SVC、决策树、随机森林、XGBoost七种算法，通过交叉验证选择最优模型；
• 超参数调优：使用GridSearchCV（穷举搜索）和RandomizedSearchCV（随机采样）优化参数；
• 管道构建：整合预处理与训练流程，防止数据泄露，代码整洁便于部署。

项目在Kaggle公开排行榜取得0.77分，结果分析：

• 女性乘客生存预测准确率高；
• 头等舱乘客生存率显著高于三等舱；
• 儿童（尤其是男童）生存率被较好识别。 该分数仍有提升空间，进阶方向包括精细特征交互、模型堆叠等，但作为教学项目已证明方法论有效性。

技术栈：采用Python生态核心工具：Pandas（数据处理）、NumPy（数值计算）、Matplotlib&Seaborn（可视化）、Scikit-Learn（ML全流程）、XGBoost（集成学习）。 学习启示：项目展示ML全生命周期（业务理解→EDA→特征工程→模型选择→优化→评估），初学者可从复现开始，逐步理解原理；有经验者需重视特征工程与数据理解，而非仅依赖复杂模型。