Kaggleに初挑戦！タイタニック号の生存者予測 - プログラミングを頑張る土木系専攻大学院生のブログ

🚢 Kaggleに初挑戦！タイタニック号の生存者予測

こんにちは！今回は私が 初めてKaggleに挑戦した備忘録をまとめました。Kaggleの定番コンペ「Titanic: Machine Learning from Disaster」に取り組み、 機械学習の基本的な流れ を学ぶことができました。

📝 目次

本記事の概要
用語解説（初心者向け）
機械学習の実装ステップ

1. 本記事の概要

使用コンペ：Kaggle「Titanic - Machine Learning from Disaster」
目的：乗客の情報から生存者を予測するモデルを作成する
使用言語：Python
使用ライブラリ：Pandas、Seaborn、scikit-learnなど
アプローチ：ロジスティック回帰モデルを使ったベースライン作成

2. 🧠 用語解説（初心者向け）

📦 データセットの種類

trainデータ：モデルを学習させるデータ
validationデータ：学習中に使う検証用データ（ハイパーパラメータ調整など）
testデータ：モデルの最終的な性能を評価するためのデータ（学習では使わない！）

✅ testデータは「最後の評価専用」。学習に使うと過学習になる危険あり！

🏷️ カテゴリ変数とエンコーディング

機械学習モデルは数値しか扱えません。
そのため、**性別や港などの文字情報（カテゴリ変数）**を数値に変換する必要があります。

代表的な手法は以下の2つ👇

🔹 ワンホットエンコーディング（One-Hot Encoding）

Sex	female	male
male	0	1
female	1	0

🔸 ラベルエンコーディング（Label Encoding）

Sex	数値
male	0
female	1

🔗 参考：カテゴリ変数のエンコーディング

3. ⚙️ 機械学習の実装ステップ

ここからはTitanicのデータを使って、実際に予測モデルを作成した流れを紹介します！

✅ STEP1：ビジネスの理解・課題の定義

目的：乗客の情報から「生き残ったか（Survived）」を予測するモデルを作成する。

📊 STEP2：データの収集・準備

Kaggleからtrain.csvとtest.csvをダウンロード
Pandasで読み込み＆前処理

👀 STEP3：データの確認・可視化

🔍 基本情報のチェック

df.info()
df.describe()
df.isnull().sum()

📌 欠損値の可視化

df.isnull().sum()

欠損値の確認

📈 性別の分布を可視化

sex_counts = combined_df.groupby("Sex")["PassengerId"].count()
sns.countplot(data=combined_df, x="Sex")
plt.show()

🛠️ STEP4：データの加工・前処理

🔹 特徴量の選定

使用した特徴量は以下の通り👇

Pclass（チケットのクラス）
Sex（性別）
Age（年齢）
Embarked（乗船した港）

🔸 欠損値の補完

def fill_missing_values(df):
    df_filled = df.copy()
    df_filled['Age'].fillna(df['Age'].median(), inplace=True)
    df_filled['Embarked'].fillna(df['Embarked'].mode()[0], inplace=True)
    return df_filled

🔁 カテゴリ変数のエンコーディング

def encode_categorical_features(df):
    ohe_embarked = pd.get_dummies(df['Embarked'], prefix='Embarked')
    df_encoded = df.drop(columns=['Embarked'])
    df_encoded = pd.concat([df_encoded, ohe_embarked], axis=1)
    df_encoded['Sex'] = pd.get_dummies(df['Sex'], drop_first=True)
    return df_encoded

✂️ train/testデータの分離

train_data = df[df['Survived'].notnull()]
test_data = df[df['Survived'].isnull()].drop(columns=['Survived'])

📐 説明変数と目的変数の分割

X = train_data.drop(columns=["Survived", "PassengerId"])
y = train_data["Survived"]

🤖 STEP5：モデルの作成（ロジスティック回帰）

from sklearn.linear_model import LogisticRegression
model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)

📊 精度評価

from sklearn.metrics import accuracy_score, confusion_matrix, classification_report
print("Accuracy:", accuracy_score(y_train, model.predict(X_train)))