ch20.Rmd

---
title: "分類模型 - Titanic"
author: "郭耀仁"
date: "`r Sys.Date()`"
output: slidy_presentation
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE, warning = FALSE, results = 'hide', message = FALSE)
```

## Kaggle 機器學習競賽

- [Kaggle](https://www.kaggle.com/)
- [Titanic: Machine Learning from Disaster](https://www.kaggle.com/c/titanic)

## Kaggle 機器學習競賽（2）

- 我們要練習的是預測 **test.csv** 資料集中的 **survival** 變數
- 用來訓練與測試的資料即是 **train.csv** 資料集
- 資料集的變數：

|變數|描述|
|---|----|
|survival|存活與否，	0 = 歿、1 = 存|
|pclass|社經地位，1 = 高、2 = 中、3 = 低|
|sex|性別|
|Age|年齡|
|sibsp|船上旁系親屬的人數|
|parch|船上直系親屬的人數|
|ticket|船票編號|
|fare|船票價格|
|cabin|船艙編號|
|embarked|登船港口，C = Cherbourg、Q = Queenstown、S = Southampton|

## Kaggle 機器學習競賽（3）

- 流程：

|步驟|內容|
|---|----|
|第一步|暸解資料外觀與內容|
|第二步|資料預處理|
|第三步|分類器|
|第四步|應用預測資料|
|第五步|上傳|

## 暸解資料外觀與內容

```{r, results='hold'}
train_url <- "https://storage.googleapis.com/py_ml_datasets/train.csv"
train <- read.csv(train_url, stringsAsFactors = FALSE)
head(train)
summary(train)
```

## 資料預處理

- $X$ 不要納入編號（PassengerId, Ticket）、姓名（Name）與遺漏值過多的變數（Cabin）
- 填補 `Age` 與 `Embarked` 的遺漏值

```{r}
train$Age[is.na(train$Age)] <- median(train$Age, na.rm = TRUE)
train$Embarked[train$Embarked == ""] <- "S"
```

## 分類器

- 決策樹分類器（`rpart` 套件）

```
install.packages("rpart")
```

```{r}
library(rpart)

tree_fit <- rpart(Survived ~ Pclass + Sex + Age + SibSp + Parch + Fare + Embarked, data = train, method = "class")
```

## 應用預測資料

```{r, results='hold'}
test_url <- "https://storage.googleapis.com/py_ml_datasets/test.csv"
test <- read.csv(test_url, stringsAsFactors = FALSE)
head(test)
summary(test)
```

## 應用預測資料（2）

- 填補 `Age` 與 `Fare` 的遺漏值

```{r}
test$Age[is.na(test$Age)] <- median(test$Age, na.rm = TRUE)
test$Fare[is.na(test$Fare)] <- median(test$Fare, na.rm = TRUE)

prediction <- predict(tree_fit, newdata = test[, c("Pclass", "Sex", "Age", "SibSp", "Parch", "Fare", "Embarked")], type = "class")
prediction <- as.integer(as.character(prediction))
```

## 上傳

```{r}
to_submit <- data.frame(test[, "PassengerId"], prediction)
names(to_submit) <- c("PassengerId", "Survived")
head(to_submit, n = 6)
```