之前写过一篇《一个框架解决几乎所有机器学习问题》但没具体的例子和代码，今天看到一个不错的 kaggle 上的 codeExploratory Tutorial - Titanic来解析一下，源码可以直接点这个链接。

　　在这篇文章中能学到一个完整的运用机器学习解决分析问题的过程，它包括了解决实际问题的一般流程，描述性统计的常用方法，数据清洗的常用方法，如何由给定的普通变量启发式思考其他影响因素，sklearn 建立模型的一般流程，以及很火的 ensemble learning 怎么用。

　　在Titanic: Machine Learning from Disaster这样的一个问题中，要解决的是根据所提供的 age，sex 等因素的数据，判断哪些乘客更有可能生存下来，所以这是一个分类问题。

　　这部分先导入常用的 Numpy，Pandas，Matplotlib 等包，导入训练集和测试集：

　　然后对缺失部分做处理，如果是连续变量，能够使用预测模型，例如 Age，如果是离散的变量，能够找到类似的数据群体，然后取最多的，或者最多群体的平均值。eg，Embarked 这两个缺失值，可以看 Pclass 1 and Fare 80 时，最多的情况是 Embarked＝C。

　　之前有过一篇特征工程怎么做，只是介绍了一些概念，这个例子就是比较具有启发性，看看怎么通过给定的几个变量，去拓展成更有一定的影响力的 feature，如何结合真实的情况联想新的因素，并转化成数字的形式表达出来。

　　除了性别，年龄等明显的因素，社会地位等也可能会影响着谁会优先乘坐救生艇，或被救助而生存下来。例如，

　　在这个环节中，还有必要把类别数据变换成 dummy variable 的形式，也就是变换成向量格式，属于第几类就在第几个位置上为 1，其余位置为 0.

　　连续数据做一下归一化，即把大范围变化的数据范围缩小至 0～1 或者 －1～1 之间。然后把不相关的变量 drop 掉。

　　首先就是把数据分为训练集和测试集，用到 train_test_split，

　　因为后面会用到很多模型，所以能把 cross validation 和 fit 的部分写入一个函数，这样每次把分类器投入到函数中训练，最后返回训练好的模型即可。

　　接下来用训练好的模型去预测测试集的数据，并得到 accuracy_score，

　　采用上面的方式，尝试多种模型，并打印出它们的 accuracy_score：

　　用最后训练好的 model 去预测给出的测试集文件，并把数据按照指定格式做好，存进 csv 提交即可。