Posibilidad de supervivencia en el Titanic

Women Lightning Tech Talks (virtual)

Transcript

1. Posibilidad de sobrevivencia en el Titanic
2. INTRODUCCIÓN
3. Quiénes podían sobrevivir? Fuente: https://edition.cnn.com/2013/09/30/us/titanic-fast-facts/index.html
4. 1. Introducción Fuente: http://www2.cs.uregina.ca/~dbd/cs831/notes/kdd/1_kdd.html
5. DATOS
6. Kaggle provee dos conjuntos de datos • train.csv → contiene un listado con 891 registros de pasajeros • test.csv → contiene 418 registros de pasajeros El conjunto train debe ser usado para construir el modelo mediante el algoritmo de minería de datos que se seleccione. 2. 1. Datos - Kaggle
7. 2.2. Datos de cada pasajero • passengerId: Identificador del pasajero • survived: Indica si el pasajero sobrevive (0=No, 1=Sí) • pclass: Indica la clase del tiquete ( 1-primera clase, 2=segunda clase, 3-tercera clase) • name: Nombre del pasajero • sex: Sexo del pasajero (male, female) • age: Edad del pasajero • sibsp: Número de familiares a bordo • parch: Número de padres e hijos a bordo • ticket: Número del ticket • cabin: Número de la cabina • embarked: Puerta de embarque (C-Cherburgo, Q-Queenston, S-Southampton)
8. 2.3. Pre-procesamiento de datos (1) • WEKA - Todos los datos que sean numéricos hay que pasarlos a nominales ◦ survived (0, 1) → survived_nominal (true, false) ◦ class (1, 2, 3) → class_nominal (first, second, third) ◦ age → age_nominal ( child [ 0-12 ], adolescent [ 13-19 ], adult [ 20-49 ], old [ +50 ], unknown )
9. 2.3. Pre-procesamiento de datos (1)
10. 2.3 Pre-procesamiento de datos (2) • Escoger columnas para la minería de datos ◦ Se eliminan las columnas de las que se creó su columna nominal correspondiente ◦ Se eliminan las que tienen datos únicos: ▪ name ▪ passenger_id ▪ ticket
11. MINERíA DE DATOS
12. 3.1. Algoritmo C4.5 • Generar árboles de decisión desde un conjunto de datos • En cada nodo del árbol, se elige un atributo de los datos que más eficazmente divide el conjunto de muestras en subconjuntos enriquecidos en una clase u otra. • Implementación: J48 en WEKA
13. • Opción de entrenamiento: cross_validation • Atributo de clasificación: survived_nominal 3.2. Árbol de decisión J48
14. RESULTADOS
15. 4.1. Resultados • Hombres menos probabilidades de sobrevivir • Mujeres, depende de clase social • Clase social más baja mujeres, dependen de su edad para sobrevivir
16. 4.2. Conclusiones • Existen varias herramientas para la minería de datos, en este proyecto se utilizaron Weka y Scikit-Learn de Python • El preprocesamiento es el paso que más tiempo ha tomado, pues es necesario encontrar que información es útil para el objetivo, y como transformar datos no relevantes en datos útiles.
17. 17 ¡Gracias! community@stackbuilders.com ¡Cuéntanos tus ideas! @quitolambda @stackbuilders stackbuilders.com/join Trabaja con nosotros Contáctanos