🚢 泰坦尼克号生存分析报告
Machine Learning 数据挖掘与可视化分析
数据来源: Kaggle Titanic Dataset | 样本数: 1,309
📊 数据概览
38.2%
总体生存率
72.7%
女性生存率
19.1%
男性生存率
61.9%
头等舱生存率
特征说明
| 特征 | 说明 |
|---|---|
| pclass | 舱位等级 (1=头等舱, 2=二等舱, 3=三等舱) |
| sex | 性别 |
| age | 年龄 |
| sibsp | 船上兄弟姐妹/配偶数量 |
| parch | 船上父母/子女数量 |
| fare | 票价 |
| embarked | 登船港口 (S/C/Q) |
🔍 关键发现
1. 性别是最重要的生存因素
关键发现：女性的生存率（72.7%）远高于男性（19.1%）。"妇女和儿童优先"的救援原则在数据中得到充分体现。
2. 舱位等级显著影响生存概率
关键发现：
- 头等舱：61.9% 生存率
- 二等舱：43.0% 生存率
- 三等舱：25.5% 生存率
3. 年龄对生存的影响
关键发现：儿童（幼儿）的生存率明显高于成年人。这再次印证了"妇女儿童优先"的救援原则。
🤖 机器学习模型预测
我们使用3种机器学习算法预测乘客是否生存：
| 模型 | 准确率 |
|---|---|
| Logistic Regression | 78.2% |
| Random Forest ⭐ | 79.0% |
| Gradient Boosting | 77.1% |
特征重要性排名
相关性分析
💡 结论与启示
🔑 影响生存的关键因素（按重要性排序）：
- 票价 (Fare) - 最重要因素，反映舱位和社会地位
- 性别 (Sex) - "妇女儿童优先"原则
- 年龄 (Age) - 儿童优先获救
- 舱位 (Pclass) - 舱位越高，生存率越高
历史启示：
- 1912年的救援原则深深植根于当时的社会规范
- 社会经济地位在生死面前表现出明显的不平等
- 救生艇数量不足是造成大量死亡的重要原因