큐큐큨 큐큐큐큐큐큐큐 태이태닉

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

 

# Load the passenger data

passengers = pd.read_csv('passengers.csv')

print(passengers)

 

# Update sex column to numerical

# Map "female" to 1 and "male" to 0 in the Sex column

passengers['Sex'] = passengers['Sex'].map({'female': 1, 'male': 0})

 

# Fill the nan values in the age column

# print(passengers['Age'].values)

mean_age = passengers['Age'].mean()

passengers['Age'] = passengers['Age'].fillna(mean_age)

 

# Create a first class column let’s utilize the Pclass column, or the passenger class, as another feature. Create a new column named FirstClass that stores 1 for all passengers in first class and 0 for all other passengers.

passengers['FirstClass'] = (passengers['Pclass'] == 1).astype(int)

 

# Create a second class column

passengers['SecondClass'] = (passengers['Pclass'] == 2).astype(int)

print(passengers)

 

# Select the desired features

features = passengers[['Sex', 'Age', 'FirstClass', 'SecondClass']]

survival = passengers['Survived']

 

# Perform train, test, split

X_train, X_test, y_train, y_test = train_test_split(features, survival, test_size=0.3, random_state=42)

 

# Scale the feature data so it has mean = 0 and standard deviation = 1

# Create a StandardScaler object

scaler = StandardScaler()

 

# Fit and transform the training features

X_train_scaled = scaler.fit_transform(X_train)

 

# Transform the test features using the fitted scaler

X_test_scaled = scaler.transform(X_test)

model = LogisticRegression()

model.fit(X_train_scaled, y_train) 

y_pred = model.predict(X_train_scaled)

 

accuracy = model.score(X_test_scaled, y_test)