[Spaceship Titanic] 1st : XGBooster, Light GBM, Logistic Regression, Decision Tree, Random Forest - part1 : 데이터 불러오기& 데이터 탐색

Kaggle Competition : Spaceship Titanic 

Spaceship Titanic | Kaggle

Kaggle의 기본 예측 데이터셋인 "Titanic 생존자 예측" 과 같이 "우주선 탑승객 예측"을 하는 기본 대회 데이터셋으로, 우주선 탑승객의 환승여부를 예측하는 것을 목표로 함.

---

1. SET UP 

- Import library: 데이터 탐색, 엔지니어링, 시각화, 머신러닝 등등을 위한 기본 라이브러리 다운

import numpy as np 
import pandas as pd
#for visualization(그래프 그리기 위한 라이브러리 다운로드)
import matplotlib.pyplot as plt
import seaborn as sns

 

2. LOAD DATA

- 제공된 데이터를 불러오고 기초적인 탐색을 위한 단계

 

train 데이터 불러오기

data = pd.read_csv("/kaggle/input/spaceship-titanic/train.csv")
data.head()

#output

test 데이터 불러오기

test = pd.read_csv("/kaggle/input/spaceship-titanic/test.csv")
test.head()

#output

train 데이터 크기 확인

data.shape

#output

(8693, 14)

- 총 (8,693 열 x 14행)으로 구성되어 있음

train 데이터 기초통계 확인

#describe all columns
data.describe(include='all')

#output

Missing Values 결측치 확인

#count null (null 값 찾기)
data.isna().sum()

- PassengerId, Transported 를 제외한 모든 열이 결측치를 갖고 있음 --> 어떻게 처리할 것인지? 추후 고민

 

3. EDA & VISUALIZATION

- 시각화(그래프)를 이용한 데이터 속성 확인하기

HomePlanet Column

#HomePlanet

fig, axs = plt.subplots(figsize=(10,10),nrows=2) # 두 열로 이루어진 각각 그래프
#첫번째 그래프: HomePlanet values 개수 세기
data['HomePlanet'].value_counts().plot(kind='bar', ax=axs[0])
#두번째 그래프: HomePlanet value 개수를 예측해야 하는 Transported 여부로 나누어서 개수 세기
sns.countplot(data=data, x='HomePlanet', hue='Transported',
              order = data['HomePlanet'].value_counts().index, ax=axs[1])

#두 그래프 사이 간격 자동으로 조정
fig.tight_layout()

 

- Europa와 Mars 출신의 승객이 Transported 하는 경우가 많음

Destination Column

- 위의 그래프와 동일하게 코드 작성

#Destination
fig, axs = plt.subplots(figsize=(10,10),nrows=2)

data['Destination'].value_counts().plot(kind='bar', ax=axs[0])
sns.countplot(data=data, x='Destination', hue='Transported',
              order = data['Destination'].value_counts().index, ax=axs[1])

fig.tight_layout()

- 목적지가 '55 Cancri e', 'PSO J318.5-22' 인 승객이 Transported 하는 경우 많음

Age Column

#Age
#두 개의 열로 이루어진 각각의 그래프
fig, axs = plt.subplots(figsize=(10,10), nrows=2)

#첫번째 그래프: histogram으로 나이대 살펴보기
data['Age'].plot.hist(ax=axs[0])
#두번째 그래프: 나이대와 transported 같이 살펴보기
sns.histplot(x='Age', hue='Transported', data=data, ax=axs[1])

#두 그래프 간격 자동 조정
fig.tight_layout()

- 나이대별로 transported 경우 다름

Spending Columns

-'RoomService', 'FoodCourt', 'ShoppingMall', 'Spa', 'VRDeck' 의 분포 살펴보기

#Spending on Spaceship
data[['RoomService', 'FoodCourt', 'ShoppingMall', 'Spa', 'VRDeck']].hist(bins=50)
plt.tight_layout()

- 대부분의 탑승객 우주선에서 소비 많이 하지 않음

---

 

Kaggle 에서 해당 Code 보기

- Logistic Regression 적용 Code

: 아래의 코드에서 머신러닝 모델만 변경하여 적용했습니다.

Spaceship Titanic with Logistic Regression