【Kaggle挑戦記】Titanic 攻略 #2：最短ルートで初提出（Submit）まで駆け抜ける
前回、データを読み込むところまで成功しました。今回は精度を一旦度外視し、「最短で予測結果を Kaggle に提出（Submit）すること」を目標にします。分析の世界では、まず一度最後まで通してみることが、全体の流れを把握する近道です。
1. 準備：環境構築とデータの再確認
まずは必要なライブラリの導入と、前回ロードしたデータの状態を再読込して準備を整えます。
conda install scikit-learn
[ ライブラリのインポートとバージョン確認 ]
import pandas as pd
import sklearn
print(sklearn.__version__) # 1.7.2 であることを確認
[ データの読み込み（前回の復習） ]
train_df = pd.read_csv('train.csv')
test_df = pd.read_csv('test.csv')
2. 現状把握：AIの「計算」を阻害する Null を特定する
データを読み込んだら、次にすべきはデータの「健康診断」です。プログラムの演算を停止させたり、予測不能に陥らせたりする「Null（欠損値）」と「文字列（Object型）」を特定します。
【 1. Null の確認：isnull() と sum() の組み合わせ 】
データセット内に値が存在しない状態を Null と呼びます。pandas の isnull() 関数を実行すると、全データに対して「Null なら True(1)」「値があれば False(0)」というブール値（論理値）のデータセットが内部で生成されます。
これに sum() を繋げることで、True(1) の数を合計し、各項目にいくつ Null が含まれているかを一気に集計できる仕組みです。
print(train_df.isnull().sum())
[ 実行結果 ]
Age 177 # ← 177件の Null（年齢不明）
Cabin 687 # ← 687件の Null（客室不明）
Embarked 2 # ← 2件の Null（港不明）
→ 数値が入るべき場所に値がない（Null）状態では、AIモデルが数学的な行列演算を行えずエラーとなります。何らかの値で埋めるか、除外する判断が必要です。
【 2. データ型（dtypes）の確認：数値化が必要な項目 】
print(train_df.dtypes)
[ 実行結果 ]
Name object
Sex object # ← 文字列型。数値への変換が必須
Embarked object # ← 文字列型。数値への変換が必須
→ object 型と表示される項目は、そのままではモデルの学習には使えません。
3. 最短の「前処理」：AIが読める形に整える
特定した課題に対し、今回は「最短完走」を優先して以下の処理を施します。object 型のうち、今回の予測に採用する Sex のみ数値に置換します。
# ※学習項目に使わない Age や Cabin の Null は一旦放置します
test_df['Fare'] = test_df['Fare'].fillna(test_df['Fare'].median())
# 2. 文字列を数値に変換（Sex を male=0, female=1 に変換）
# ※Embarked も object型ですが、今回は特徴量に含めないため変換をスキップします
train_df['Sex'] = train_df['Sex'].replace({'male': 0, 'female': 1})
test_df['Sex'] = test_df['Sex'].replace({'male': 0, 'female': 1})
4. 学習と予測：標準モデル「ランダムフォレスト」
予測モデルには、強力で使い勝手の良い RandomForestClassifier を使用します。
# Pclass(チケットクラス)、Sex(性別)、SibSp(兄弟・配偶者数)、Parch(両親・子供数)を使用
# これらは Null がなく、かつ数値化が済んでいる項目です
features = ["Pclass", "Sex", "SibSp", "Parch"]
X = train_df[features]
y = train_df["Survived"]
X_test = test_df[features]
# モデル作成・学習
model = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=1)
model.fit(X, y)
# 予測実行
predictions = model.predict(X_test)
5. 出力結果の確認：submission.csv の中身
予測が完了すると、Kaggle 提出用の CSV ファイルが生成されます。中身を確認すると、テストデータの乗客（PassengerId 892番〜）に対して、AIが導き出した「生存(1) / 死亡(0)」のフラグが並んでいることがわかります。
892,0
893,1
894,0
895,0
896,0
897,0
898,1
6. 実践：Kaggle へのアップロードとスコア確認
作成した submission.csv を Kaggle に提出する最終ステップです。
- Titanic コンペのページ右上にある青い [Submit Predictions] ボタンをクリックします。
- 専用の提出ページに移動するので、画面中央の「Upload files」エリアに
submission.csvをドラッグ＆ドロップします。 - 右下の [Submit] をクリックします。
数秒後、同じ画面上に以下の結果が表示されます。
Complete · Just now
Score: 0.76794
【 自分の順位を確認する 】
提出履歴から Leaderboard（順位表）へ移動し、自分の立ち位置を確認してみましょう。
Score: 0.76794
順位表を見ると、トップ層には Score 1.00000（正解率100%） がズラリと並んでいます。今の自分とはまだ距離がありますが、最短ルートで完走したことで、戦いの舞台には上がりました。ここからロジックを磨き、上位へと食い込んでいきましょう。頑張ろう、エンジニア諸君！
7. 最短完走：全ソースコード
ここまでの手順を一つにまとめた、提出用ファイルを生成するための全コードです。
from sklearn.ensemble import RandomForestClassifier
# 1. データの読み込み
train_df = pd.read_csv('train.csv')
test_df = pd.read_csv('test.csv')
# 2. 最小限の前処理
test_df['Fare'] = test_df['Fare'].fillna(test_df['Fare'].median())
train_df['Sex'] = train_df['Sex'].replace({'male': 0, 'female': 1})
test_df['Sex'] = test_df['Sex'].replace({'male': 0, 'female': 1})
# 3. 予測モデルの作成
# 項目：チケットクラス、性別、兄弟配偶者数、親子数（これらはNullなし・数値済み）
features = ["Pclass", "Sex", "SibSp", "Parch"]
X = train_df[features]
y = train_df["Survived"]
X_test = test_df[features]
model = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=1)
model.fit(X, y)
# 4. 予測と保存
predictions = model.predict(X_test)
output = pd.DataFrame({'PassengerId': test_df.PassengerId, 'Survived': predictions})
output.to_csv('submission.csv', index=False)
print("Your submission was successfully saved!")
8. まとめ
今回の最短攻略ソースはこれでした！「なぜエラーが出るのか」「何を直すべきか」を特定し、最短で Kaggle にコミットするサイクルを完走しました。これだけで、あなたも立派な Kaggler の仲間入りです。
次回は、今回あえてスルーした「年齢(Age)」の Null をどう埋めるべきか、あるいは「港(Embarked)」をどうモデルに組み込むか。精度向上のための「EDA（探索的データ分析）」に挑戦しましょう！
