在一幢建筑里要看到三样东西：它是否被正确的选址，它是否被牢固的奠基，它是否被成功的建造——约翰·沃尔夫冈·冯·歌德
大家好，我是今天的值班编辑，今天是中华民族最隆重、最热闹的传统节日，小编在此祝您全家新年快乐。财源滚滚随春到，喜气洋洋伴福来。骐骥一跃奔锦绣，大地流金万象新。高居宝地财兴旺，福照家门富生辉。欢聚一堂迎新春，欢天喜地度佳节。
小编之前在这个公众号里面挖过一个坑，写过一篇文章《25行python代码实现一个机器学习项目》，在文章中，小编用25行python代码训练的机器学习分类模型（决策树模型）的准确率得分为0.65，距离1.0还比较遥远。今天就来讲一讲如何提高模型的准确率。
2）特征工程
特征工程（Feature Engineering）指的是从现有的训练数据中提取更多有效特征出来的神操作。
比如数据类型转化、标准化、归一化、分箱、one-hot编码、缺失值填充、特征选择、降维、组合等等。
特征工程可以说是机器学习项目中最苦最累最没有技术含量的活（IT民工的说法不是白来的），但通常也是见效最快的方法。
既然说到了“工程“二字，小编就再罗索几句。通常一个机器学习工程师都把自己的技术方向称为”策略方向”，以区别于”工程方向“； 并且，”策略方向“的工程师通常会鄙视”工程方向“的工程师，好像自己天生就高人一等的样子。
4）模型调参
通常，一个模型都有几个参数可以调整，这些参数被称为“超参数”。我们可以想办法寻找到这些参数的最优值，当然，有时候超参数的默认值就已经足够好了。调参也是要花不少时间的，毕竟每一次参数的调整都意味着重新训练一次模型。
对pclass特征进行one-hot编码并填充回df（编码并填充之后就可以删除原始特征了）、对age特征用中位数填充缺失值并且转化为int：
组合Parch 和 SibSp两个特征，生成新的特征family，并且把它二值化为0或1（有没有家属）;
对Fare特征也使用中位数来补全缺失数据：
生成x与y，初始化随机森林模型，开始训练、预测、评估：