针对Titanic问题的各种分类器stacking和XGBoost解法

在典型feature engineering的情况下，使用xgboost和堆叠（仍然有一层xgboost），达到的Public Score都是0.79，相对比较优秀。另有遗传算法，不知道参数如何获得，score 0.88。

---

使用jupyter notebook，Python3.5，WIN10下Pycharm搭建环境。

---

feature engineering

主要包括数据读入，特征选择，数据清洗，特征处理。

reading using Pandas

pandas读入的是DataFrame结构：

train_df = pd.read_csv('data\\train.csv') # path from windows
test_df = pd.read_csv('data\\test.csv')
combine = [train_df, test_df] # list

可以直接对其操作：

train_df.head()
train_df.tail()
train_df.info()
train_df.describe()
train_df.describe(include=['O']) # object

feature select

使用matplotlib和seaborn进行visualized analyze，包括：