【Kaggle挑戦記】Titanic 攻略 #5：特徴量への Fare（運賃）追加と精度向上
これまでの攻略を経て、私たちは重要な2つの結論を導き出しました。
- #3 の結論（データ分析）： 相関分析の結果、生存率に最も影響を与えるのは「性別（Sex）」だが、それに次いで「運賃（Fare）」も強い相関があることが判明。
- #4 の結論（モデル理解）： ランダムフォレストの内部を可視化した結果、100本の木による「合議制（多数決）」が論理的に機能していることを確認。
今回の戦略は極めてシンプルです。
「信頼できるアルゴリズム（#4）に、より生存率と関連の深いデータ項目（#3）を投入すれば、予測精度は向上するはずだ」
という仮説を検証します。
1. 「特徴量（とくちょうりょう）」への納得感
AIの予測ヒントにするデータ項目を「特徴量」と呼びますが、今回選んだ項目には人間が見ても直感的な納得感があります。
- Pclass（客室クラス）： 1等客なら避難が優先されたのではないか？
- Sex（性別）： 女性が優先的に救命ボートに乗ったのではないか？
- Fare（運賃）： 高い運賃を払ったVIP客ほど、手厚いサポートがあったのではないか？
このように、背景にあるストーリーとデータが結びつくことで、AIの予測モデルはより説得力のあるものになります。
2. 【実装】特徴量を 5 項目に増強したソースコード
これまでの 4 項目に、相関係数の高かった "Fare"（運賃） を追加します。テストデータ（test.csv）に1件だけ存在する「欠損値（空欄）」を中央値で埋める対策も1行追加しています。
import pandas as pd
from sklearn.ensemble import RandomForestClassifier
# 1. データの読み込み
train_data = pd.read_csv('train.csv')
test_data = pd.read_csv('test.csv')
# 2. 特徴量の選択（Fare を追加して 5 項目に！）
features = ["Pclass", "Sex", "SibSp", "Parch", "Fare"]
# カテゴリ変数(Sex)を数値に変換
X = pd.get_dummies(train_data[features])
y = train_data["Survived"]
# 重要：テストデータの Fare に1件だけある欠損値を中央値で補完する
X_test = pd.get_dummies(test_data[features])
X_test['Fare'] = X_test['Fare'].fillna(X_test['Fare'].median())
# 3. モデルの構築と学習（#4 で信頼性を確認したランダムフォレスト）
model = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=1)
model.fit(X, y)
# 4. 予測の実行
predictions = model.predict(X_test)
# 5. 提出用ファイルの作成
output = pd.DataFrame({'PassengerId': test_data.PassengerId, 'Survived': predictions})
output.to_csv('submission_fare.csv', index=False)
print("Submission with Fare saved!")
3. 結果の考察：データ項目増加の効果
実際にこのコードで予測を行い Kaggle に提出したところ、スコアに以下の変化が現れました。
- 4 項目（前回）： Score 0.76749
- 5 項目（今回）： Score 0.77511（微増！）
考察：
わずかな向上ですが、エンジニアリングにおける重要な原則「良質なデータを入れれば、良質な結果が出る」ことが実証されました。アルゴリズム自体は変えなくても、納得感のある「特徴量」を正しく追加することで、着実に正解率が上がることが確認できました。
仮説は正しかったと言えます。しかし、まだ生存率に大きく関わりそうなデータ項目が残っています。それは「年齢（Age）」です。ただし、年齢データには「欠損値」が非常に多いという大きな壁があります。次回、この欠損値処理（インピュテーション）に挑戦します。
PR
