Kaggle: Titanic Data Science

一般Solution的七个阶段

1. 问题提出或问题界定
2. 收集用于训练与测试的数据资源
3. 对数据进行归整、预处理及清洗操作
4. 开展数据的分析工作，发现潜在规律并深入挖掘信息特征
5. 构建模型，实现对问题的预测与求解
6. 对问题解决过程及最终成果进行可视化展示与报告撰写
7. 输出或提交研究成果

数据科学解决方案解决的七个主要目标

分类 ，在实际操作过程中，我们或许需要对样本实施归类处理。同时，我们也可能关注各类别与解决方案预期目标之间所蕴含的意义或联系。

关联 ，可以依据训练数据集中所具备的特征来应对问题。在数据集中，哪些属性对于实现解决方案的目标具有重要影响？从统计学角度而言，这些特征与解决目标之间是否存在某种联系？当特征值发生变动时，解决方案的状态是否也会随之变化？反之亦然？这些问题可以通过对数据集中的数值型和分类型特征进行检验加以验证。此外，我们还可能希望识别出除后续目标及工作流程阶段所需属性以外的其他属性之间的关联性。某些特征之间的关联关系有助于构建、完善或修正属性。

转换 ，进入建模阶段之前，需要对数据进行预处理。根据所选择的模型算法，可能需要将所有特征转化为对应的数值形式。例如，将文本中的分类信息转换为数字形式。

补充 ，在数据准备过程中，还