1.下载“深度神经网络应用程序”和来自Coursera中心的“dnn_utils_v2.py”文件，并将其保存在本地

• Github repo不包含deeplearning.ai提供的代码。请从Coursera深度学习专业化课程中学习。所需的材料在第4周的编程作业中。

下载Coursera中心的“深度神经网络应用程序v3”并点击“打开”

下载dnn_app_utils_v2.py文件

2. 下载kaggle泰坦尼克生存数据集，并将其保存在与“数据集”文件夹相同的位置。

• 为方便起见，我已经在Github repo中包含了数据集。

3.打开“深度神经网络应用程序”笔记本。

• 你可以安全地删除所有其他单元格，除了输入和L-Layer_model单元格；


• 运行两个单元格。

4.加载泰坦尼克生存数据集。

5.预先处理数据集。

• 以等级为基础来计算乘客年龄--该想法来自Jose Portilla极力推荐的Udemy课程“数据科学与机器学习训练营的Python”，它属于逻辑回归的一个分支；

• 从名字中提取乘客头衔 - 我遵循曼努埃尔（Manuel）伟大而简单的文章--从名字中提取头衔；

• 列出乘客序号、客舱和名字；


• 伪编码分类变量的性别，登船卡和头衔；


• 衡量年龄和票价--特征扩展帮助梯度下降算法收敛更快，参阅scikit-learn文档或Github repo。

训练集包含11个特征，为神经网络的评估做好准备

from sklearn.model_selection import train_test_split

X = train.drop('Survived', axis=1)

y = train['Survived']

X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2)



# Transpose your data

X_tr_T = X_tr.T

X_te_T = X_te.T

y_tr_T = y_tr.T.values.reshape(1,y_tr.shape[0])

y_te_T = y_te.T.values.reshape(1,y_te.shape[0])

### CONSTANTS ###

layers_dims = [11, 25, 25, 25, 25, 25, 10, 1] #  7-layer model

parameters = L_layer_model(X_tr_T, y_tr_T, layers_dims, num_iterations = 2500, print_cost = True)

# Calculate accuracy on the training set

pred_train = predict(X_tr_T, y_tr_T, parameters)

# Calculate accuracy on the test set

pred_test = predict(X_te_T, y_te_T, parameters)

第一次尝试获得85%的训练和82%的测试精度

# Load test data

test = pd.read_csv('datasets/titanic_test.csv')



# Preprocess test data



# Prepare X to generate predictions

X = test.drop(['PassengerId','Master'], axis=1)



# Transpose X to fit neural network architecture

X_tr_T = X.T



# Calculate predictions through forward propagation with the parameters 

# obtained through fitting the neural net to the training data

probas, caches = L_model_forward(X_tr_T, parameters)



# Get classes from predictions

p = np.zeros((1,X_tr_T.shape[1]))

for i in range(0, probas.shape[1]):

        if probas[0,i] > 0.5:

            p[0,i] = 1

        else:

            p[0,i] = 0

            

# Generate the predictions file

pIds = pd.DataFrame(data=test['PassengerId'].astype(int), columns=['PassengerId'], dtype=int)

preds = pd.DataFrame(data=p.T,columns=['Survived'], dtype=int)

final_prediction = pd.concat([pIds, preds], axis=1)

final_prediction.to_csv('titanic_survival_predictions.csv', index=False)

最后一步:生成测试数据的预测

提交预测文件会使你进入前三名，并帮助你适应kaggle竞赛

关键要点：

• 从Coursera中心下载“应用深度学习”和“dnn_utils_v2”jupyter notebook，并在局部环境中运行；


• 相应地预先处理数据；


• 调换X和Y变量，以便拥有一个“示例特征”的训练矩阵；


• 调整第一个图层的维度以匹配特征的数量；


• 训练神经网络并保存生成的参数；


• 通过测试数据的正向传播和之前保存的神经网络参数，生成对测试集的预测。