准确率调整研究中心

1. 数据预处理

填充缺失值：你已经填充了 Age、Embarked 和 Fare 的缺失值。如果你没有处理 Cabin 字段（可以用 'Unknown' 填充，或者删除该列），可以考虑处理它。
特征编码：
- 使用 One-Hot Encoding 对 Sex 和 Embarked 进行编码。
- 使用 Label Encoding 或 One-Hot Encoding 对 Pclass 和 Embarked 进行编码。
- Title（称谓）特征（例如：Mr., Mrs., Miss.）是个有用的特征，可以从 Name 字段提取出来进行编码。
年龄分类：将 Age 划分为多个区间（例如：0-18, 19-35, 36-50 等），然后将其作为类别变量。

2. 特征工程

创建新特征：从现有特征中提取更多信息：
- FamilySize：将 SibSp（兄弟姐妹/配偶数）与 Parch（父母/子女数）相加，得出乘客家庭的大小。
- IsAlone：基于 FamilySize，如果乘客家庭大小为 1，则设置为 1（表示单独旅行），否则为 0。
- AgeClass：根据 Age 和 Pclass 创建一个新的特征，可能会有助于区分不同社会阶层和年龄段的生还概率。

3. 模型选择

基线模型：从简单的模型（如 逻辑回归 或 决策树）开始，如果效果不好再考虑更复杂的模型。
集成学习：
- 随机森林（Random Forest）和 梯度提升树（如 XGBoost 或 LightGBM）通常能显著提升准确率。
- 你可以考虑集成多种模型的结果，使用投票法或堆叠（Stacking）方法进一步提高模型表现。

4. 超参数调优

使用 GridSearchCV 或 RandomizedSearchCV 来调整模型的超参数。
调整 XGBoost 或 LightGBM 的参数，如 max_depth、learning_rate、n_estimators 等。

5. 正则化与防止过拟合

L1/L2 正则化：对于线性模型，添加正则化项帮助避免过拟合。
Early Stopping：如果使用深度学习模型，可以使用早停技术避免过拟合。
交叉验证：使用交叉验证评估模型在不同数据划分上的表现，确保模型的泛化能力。

6. 模型集成

投票法（Voting Classifier）：将多个模型（如逻辑回归、随机森林、XGBoost）进行组合，使用多数投票方法提高准确率。
Stacking：使用简单模型（如逻辑回归、决策树等）作为基学习器，然后训练一个更复杂的模型（如 XGBoost 或深度学习模型）作为终极预测器。

一、数据预处理

1.特征编码

对于泰坦尼克号的案例，刚开始我是使用单纯的数值对应，结果的准确率是0.622，然后我通过one-hot编码后准确率达到0.72248提升了0.10。下面探究原因：

数值编码，只是单纯的对性别如果是男记为0，如果是女记为1，那么如果有两个人一个男一个女，那么他们对应的性别特征如下：第一个人：性别：1，第二个人：性别：0。这会产生一个问题，就是当你把这个特征输入到模型中后，如果是是男生的话，就说明预测的值与性别特征无关，也就是说对于男生的这个样本的性别特征是0，就会让模型认为，对于这个样本的性别特征对于预测值的影响不大，导致准确率低。模型会 错误地认为 0 和 1 之间存在顺序关系，就像它们是坐标轴上的两个点，模型会把这种顺序理解为一种有意义的数值差异，从而让模型学习到 0 和 1 之间的变化对预测结果有影响。
one-hot编码，one-hot编码会把性别编码成[0,1]，编码成一个一维的长度为二的向量，这样不管是男是女，特征都会对预测值有影响，就是把性别特征更细分了，所有模型可以更好的学到性别与预测值的关系。

解决方案：当我们发现某个特征在数据上表现出了顺序性，但实际上不存在这样的顺序性，当类别之间有明显顺序时，可以考虑使用 Ordinal Encoding 或 One-Hot Encoding 来避免这种问题。

注意：如果你在训练过程中没有设置 早期停止，模型可能会继续训练，即使它已经达到最优或接近最优的性能。过度训练通常会导致性能下降，特别是在验证集上。也会产生过拟合