Predykcji szans na przeżycie pasażera po katastrofie Titanica

Z użyciem Pythona, Pandasa, Matplotlib, Seaborn, SKlearn, XGBoosta

Jest to kopia notebook z mojego Kaggle'a https://www.kaggle.com/bimbus94/titanic-po-polsku

Stosowane rozwiązania:

• Obróbka danych w Pandas'ie
• Wizualizacja danych z wykorzystaniem Matplotlib i Seaborn
• Różnorodne wykorzystanie Sklearn
• Imputacja, normalizacja, skalowanie danych
• Przegląd różnych modeli Machine Learningu
• Feature Engineering
• Heatmapy
• Cross-Validation
• Krzywe uczenia
• Feature Importance
• Modelowanie z użyciem XGBoosta
• Próba tuningu/optymalizacji parametrów XGBoosta z GridSeachCV

Uzyskany wynik:

• 0.7894 przy wyborze tylko 5 zmiennych
• 0.76-0.77 przy wyborze większości zmiennych