passengerid： 乘客 ID class： 舱位等级 (1 = 1st, 2 = 2nd, 3 = 3rd)** name： 乘客姓名 sex： 性别 age： 年龄 sibsp： 在船上的兄弟姐妹／配偶个数 parch： 在船上的父母／小孩个数 ticket： 船票信息 fare： 票价 cabin： 客舱 embarked： 登船港口 (C = Cherbourg, Q = Queenstown, S = Southampton) survived: 变量预测为值 0 或 1（这里 1 表示幸存，0 表示遇难）

使用机器学习决策树模型预测泰坦尼克号生存率。泰坦尼克号数据集和可执行代码（在jupyter或python中运行），图表及解释也有，参考博客一起食用最佳。

本文介绍在恒定应力加速寿命试验下.产品生存率的Bayes 估计。应用该方法、至少可以摆脱下述的二个假设:(1)在任一个应力水平上产品的寿命分布都是相同或近似相同类型的;(2)产品失效分布的参数和使用的应力之间有已知函数关系.而第二个假设不尽合理,叫人难以接受,即使假定是合理的,却需要大样本去估计这种关系中的参数本文的方法摆脱这个假设,可适用于小样本的情形,最后给出一个例子.

1个经典案例学会数据分析：泰坦尼克号生存率预测.pptx

客户生存与流失预测 客户流失率是评估不断增长的业务的最重要指标之一。 虽然这不是最幸福的衡量标准，但它可以使您的公司了解保留客户的事实。 Heroku应用程序My Heroku应用程序： : 生存分析 生存分析是统计的一个分支，用于分析直到一个或多个事件（例如生物体死亡和机械系统故障）发生之前的预期持续时间。 Kaplan-Meier曲线（我的博客） 脚步 步骤1 问题定义 关键的挑战是预测单个客户是否会流失。 第2步 数据采集 用于此分类问题的数据集来自Kaggle，并来自IBM示例数据集集合（ ）。 第三步 探索性数据分析 收集数据后，将执行几个步骤来探索数据。 此步骤的目标是了解数据结构，进行初始预处理，清理数据，识别数据中的模式和不一致之处（例如，偏度，离群值，缺失值），并建立和验证假设。 第4步 特征工程 在特征工程中，从现有特征生成新特征，并在将所有特征转换