Titanic - Machine Learning from Disaster

Titanic - Machine Learning from Disaster

El clásico dataset del Titanic es ideal para experimentar con preprocesamiento y clasificación binaria. La meta es predecir si un pasajero sobrevivió en base a sus características. En este caso el foco está en preparar los datos con Python antes de modelar.

Metadatos

• Survived: etiqueta (0 = no, 1 = sí).
• PassengerId: identificador único.
• Pclass: clase de pasaje (1ª, 2ª o 3ª).
• Name: nombre del pasajero.
• Sex: sexo.
• SibSp: número de hermanos/cónyuges a bordo.
• Parch: número de padres/hijos a bordo.
• Ticket: número de ticket.
• Fare: tarifa.
• Cabin: cabina.
• Embarked: puerto de embarque (C = Cherbourg, Q = Queenstown, S = Southampton).

Carga inicial

import numpy as np
import pandas as pd
import seaborn as sns
from matplotlib import pyplot as plt
sns.set_style("whitegrid")

import warnings
warnings.filterwarnings("ignore")

training = pd.read_csv("train.csv")
testing = pd.read_csv("test.csv")

training.head()

Valores faltantes

• Cabin tiene demasiados nulos y poca relevancia → se elimina.
• Ticket es solo un identificador → también se descarta.
• Age, Embarked y Fare se imputan (mediana y valor más frecuente según corresponda).

training.drop(labels=["Cabin", "Ticket"], axis=1, inplace=True)
testing.drop(labels=["Cabin", "Ticket"], axis=1, inplace=True)

training["Age"].fillna(training["Age"].median(), inplace=True)
testing["Age"].fillna(testing["Age"].median(), inplace=True)
training["Embarked"].fillna("S", inplace=True)
testing["Fare"].fillna(testing["Fare"].median(), inplace=True)

La mediana es preferible a la media porque la distribución de edades está sesgada hacia valores altos.

Visualización

El sexo fue decisivo: las mujeres tuvieron una probabilidad de supervivencia mucho mayor.

sns.barplot(x="Pclass", y="Survived", data=training)
plt.ylabel("Survival Rate")
plt.title("Distribución de supervivencia por clase")
plt.show()

La clase también influye: en primera clase sobrevivió más del 60% de los pasajeros.

Las edades bajas tienen más chances de supervivencia; conviene conservar el atributo.

Ingeniería de variables

• Codifico Sex: female = 1, male = 0.
• Codifico Embarked: S=1, C=2, Q=3.
• Combino SibSp + Parch → FamilySize y creo IsAlone (1 si viaja solo).
• Extraigo el título del Name y lo convierto a numérico, luego elimino la columna original.

Normalización

Age y Fare se escalan para evitar que sus magnitudes dominen.

Preparación para modelar

Se define la variable objetivo Survived y se separan PassengerId y las features. Se utiliza validación cruzada para comparar modelos y evitar sobreajuste.

XGBoost obtiene la mejor puntuación, seguido de Random Forest y SVC. El modelo elegido genera un CSV final (418 filas) con PassengerId y la predicción Survived.