Projekt: Klasyfikacja przeżycia pasażerów Titanica

W tym projekcie wykorzystamy PyCaret do przewidywania, którzy pasażerowie Titanica przeżyli katastrofę.

PyCaret to narzędzie, które automatycznie testuje wiele różnych algorytmów uczenia maszynowego i wybiera najlepszy.

Krok 1: Import bibliotek

Najpierw importujemy (wczytujemy) potrzebne narzędzia do pracy z danymi.

# pandas - narzędzie do pracy z tabelami danych (jak Excel w Pythonie)
import pandas as pd

# pycaret - automatyczne narzędzie do uczenia maszynowego
from pycaret.classification import *

Krok 2: Wczytanie danych z pliku CSV

Teraz wczytamy dane o pasażerach Titanica z pliku CSV (plik tekstowy z danymi w kolumnach).

# Wczytujemy dane z pliku CSV do zmiennej 'data'
# read_csv() - funkcja która czyta plik CSV i tworzy z niego tabelę
data = pd.read_csv('data/titanic.csv')

# Wyświetlamy pierwsze 5 wierszy, żeby zobaczyć jak wyglądają dane
# head() - pokazuje początek tabeli
print("Pierwsze wiersze danych:")
data.head()

Pierwsze wiersze danych:

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

Krok 3: Przygotowanie danych do uczenia maszynowego

PyCaret automatycznie przygotuje dane - podzieli je na część treningową (do nauki) i testową (do sprawdzenia).

# setup() - funkcja która przygotowuje dane do uczenia maszynowego
# data=data - nasze dane o pasażerach Titanica
# target='Survived' - mówimy PyCaret, że chcemy przewidywać kolumnę 'Survived' (czy ktoś przeżył: 1=tak, 0=nie)
# session_id=123 - liczba dla powtarzalności wyników (żeby za każdym razem dostać takie same wyniki)

clf = setup(data=data, target='Survived', session_id=123)

	Description	Value
0	Session id	123
1	Target	Survived
2	Target type	Binary
3	Original data shape	(891, 12)
4	Transformed data shape	(891, 14)
5	Transformed train set shape	(623, 14)
6	Transformed test set shape	(268, 14)
7	Numeric features	6
8	Categorical features	5
9	Rows with missing values	79.5%
10	Preprocess	True
11	Imputation type	simple
12	Numeric imputation	mean
13	Categorical imputation	mode
14	Maximum one-hot encoding	25
15	Encoding method	None
16	Fold Generator	StratifiedKFold
17	Fold Number	10
18	CPU Jobs	-1
19	Use GPU	False
20	Log Experiment	False
21	Experiment Name	clf-default-name
22	USI	3dd1

Krok 4: Porównanie wszystkich modeli

Teraz PyCaret przetestuje wiele różnych algorytmów i pokaże, który jest najlepszy. To zajmie chwilę - komputer uczy różne modele i porównuje ich dokładność.

# compare_models() - testuje wszystkie dostępne modele uczenia maszynowego
# Zwraca tabelę z wynikami, gdzie każdy wiersz to inny algorytm
# Modele są posortowane od najlepszego do najgorszego
# Accuracy (dokładność) to procent poprawnych przewidywań

best_model = compare_models()

	Model	Accuracy	AUC	Recall	Prec.	F1	Kappa	MCC	TT (Sec)
lr	Logistic Regression	0.7975	0.8691	0.6697	0.7719	0.7132	0.5592	0.5654	0.6380
ridge	Ridge Classifier	0.7528	0.8647	0.4522	0.8257	0.5793	0.4273	0.4679	0.0350
et	Extra Trees Classifier	0.7400	0.7837	0.4774	0.7654	0.5815	0.4088	0.4356	0.0660
nb	Naive Bayes	0.6709	0.7925	0.1761	0.8582	0.2816	0.1808	0.2747	0.0360
knn	K Neighbors Classifier	0.6275	0.5906	0.3690	0.5175	0.4255	0.1654	0.1713	0.3980
lda	Linear Discriminant Analysis	0.6260	0.5382	0.0348	0.0800	0.0485	0.0335	0.0389	0.0340
dt	Decision Tree Classifier	0.6164	0.5000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0310
rf	Random Forest Classifier	0.6164	0.7890	0.0000	0.0000	0.0000	0.0000	0.0000	0.0790
ada	Ada Boost Classifier	0.6164	0.5000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0350
gbc	Gradient Boosting Classifier	0.6164	0.5000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0530
lightgbm	Light Gradient Boosting Machine	0.6164	0.5183	0.0000	0.0000	0.0000	0.0000	0.0000	0.0790
dummy	Dummy Classifier	0.6164	0.5000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0320
qda	Quadratic Discriminant Analysis	0.5938	0.4486	0.1000	0.0387	0.0558	0.0000	0.0000	0.0280
svm	SVM - Linear Kernel	0.5651	0.6070	0.3915	0.5018	0.3121	0.0717	0.1066	0.0310

Krok 5: Wyświetlenie informacji o najlepszym modelu

Sprawdźmy, jaki model został wybrany jako najlepszy.

# Wyświetlamy nazwę wybranego modelu
# best_model to zmienna zawierająca najlepszy algorytm z poprzedniego kroku
print("Najlepszy model:")
print(best_model)

Najlepszy model:
LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True,
                   intercept_scaling=1, l1_ratio=None, max_iter=1000,
                   multi_class='auto', n_jobs=None, penalty='l2',
                   random_state=123, solver='lbfgs', tol=0.0001, verbose=0,
                   warm_start=False)

Krok 6: Dokładna ocena najlepszego modelu

Sprawdźmy dokładnie, jak dobrze działa nasz najlepszy model. Zobaczymy różne metryki (miary jakości), w tym accuracy (dokładność).

# evaluate_model() - pokazuje szczegółowe informacje o jakości modelu
# Wyświetli różne wykresy i tabele z wynikami
# Najważniejsze to "Accuracy" - procent poprawnych przewidywań

evaluate_model(best_model)

interactive(children=(ToggleButtons(description='Plot Type:', icons=('',), options=(('Pipeline Plot', 'pipelin…

Krok 6.5: Zapisanie modelu do pliku

Teraz zapiszemy wytrenowany model do pliku, żeby móc go użyć później bez ponownego trenowania. Dzięki temu nie musimy za każdym razem uczyć modelu od nowa - możemy go po prostu wczytać z pliku.

# save_model() - zapisuje wytrenowany model do pliku
# Po zapisaniu możemy go wczytać w przyszłości bez ponownego trenowania
# model_name='models/best_model' - zapisuje w folderze 'models' jako 'best_model.pkl'

save_model(best_model, model_name='models/best_model')
print("Model został zapisany do pliku: models/best_model.pkl")

Transformation Pipeline and Model Successfully Saved
Model został zapisany do pliku: models/best_model.pkl

Krok 7: Predykcje na danych testowych

Teraz użyjemy naszego modelu do przewidzenia, kto przeżył katastrofę Titanica. Model sprawdzi dane testowe (których nie widział podczas treningu) i powie, czy dana osoba przeżyła czy nie.

# predict_model() - używa naszego modelu do przewidywania wyników
# best_model - nasz najlepszy wytrenowany model
# Funkcja zwróci tabelę z oryginalnymi danymi + kolumną 'prediction_label' (przewidywania: 0 lub 1)

predictions = predict_model(best_model)

# Wyświetlamy pierwsze 10 przewidywań
print("Przykładowe przewidywania (prediction_label: 0=nie przeżył, 1=przeżył):")
predictions.head(10)

	Model	Accuracy	AUC	Recall	Prec.	F1	Kappa	MCC
0	Logistic Regression	0.8209	0.8545	0.6699	0.8313	0.7419	0.6072	0.6155

Przykładowe przewidywania (prediction_label: 0=nie przeżył, 1=przeżył):

	PassengerId	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Survived	prediction_label	prediction_score
178	179	2	Hale, Mr. Reginald	male	30.0	0	0	250653	13.000000	NaN	S	0	0	0.7672
457	458	1	Kenyon, Mrs. Frederick R (Marion)	female	NaN	1	0	17464	51.862499	D21	S	1	1	0.8192
16	17	3	Rice, Master. Eugene	male	2.0	4	1	382652	29.125000	NaN	Q	0	0	0.8888
95	96	3	Shorney, Mr. Charles Joseph	male	NaN	0	0	374910	8.050000	NaN	S	0	0	0.8654
120	121	2	Hickman, Mr. Stanley George	male	21.0	2	0	S.O.C. 14879	73.500000	NaN	S	0	0	0.8395
677	678	3	Turja, Miss. Anna Sofia	female	18.0	0	0	4138	9.841700	NaN	S	1	1	0.6303
512	513	1	McGough, Mr. James Robert	male	36.0	0	0	PC 17473	26.287500	E25	S	1	0	0.6146
561	562	3	Sivic, Mr. Husein	male	40.0	0	0	349251	7.895800	NaN	S	0	0	0.8971
356	357	1	Bowerman, Miss. Elsie Edith	female	22.0	0	1	113505	55.000000	E33	S	1	1	0.9254
430	431	1	Bjornstrom-Steffansson, Mr. Mauritz Hakan	male	28.0	0	0	110564	26.549999	C52	S	1	0	0.5563

Podsumowanie

✅ Gotowe!

Stworzyliśmy model uczenia maszynowego, który przewiduje, czy pasażer Titanica przeżył katastrofę.

Co zrobiliśmy:

1. Wczytaliśmy dane pasażerów Titanica
2. PyCaret automatycznie przetestował wiele różnych algorytmów
3. Wybraliśmy najlepszy model (ten z najwyższą dokładnością)
4. Model może teraz przewidywać przeżycie na podstawie danych o pasażerze (wiek, płeć, klasa biletu, itp.)

Accuracy (dokładność) to procent poprawnych przewidywań - im wyższy, tym lepiej!