简单机器学习练习 泰坦尼克沉船数据
好，我们已经对泰坦尼克沉船数据有了一个基本的了解，下一步我们将使用机器学习中的一个简单算法建立模型。看看能否通过模型预测一个人是否最终存活下来，并与事实进行对比。
KNIME 中的决策树节点
我们之前学习过, 机器学习节点一般都分为两个部分，一部分是 XXXX Learner，一部分是 XXXX Predictor，Learner 学习到模型之后，把模型和测试数据再塞给 Predictor 就完成了一次学习与预测的过程。我们先来看 Decision Tree Learner 的配置：
泰坦尼克号船难的 Decision Tree 配置
通过其中 Class column 选出模型需要预测的列，Quality Measure 选择 基尼不纯度 或是 熵 都可以，这两者可以近似替代，我倾向于使用度量信息量的熵，Pruning method 选择剪枝算法，MDL 或是 No Pruning（不选剪枝，不推荐），其余的，默认选项即可。
配置完成之后，即可对测试集数据进行训练，右键节点选择 View: Decision Tree View 获得决策树的可视化结果。
泰坦尼克沉船数据的Decision Tree结果
对于泰坦尼克沉船数据来说，在我们的简单配置下，学习得到的 Decision Tree 结果和之前介绍过的预测打高尔夫球的决策树并没有什么不同，只是多了一些更详细的说明。从第一个根节点往下，首先判断的是 Sex，如果是 male 男性，那么直接预测他死亡（0），如果是 female 女性，先预测她活着，然后根据 SibSp (同在船上的兄妹及配偶的数量)以及 Parch（同在船上的父母或子女的数量）来进一步预测这个人的生存情况。从逻辑上来看，生存与否的确和性别以及亲属的数量相关，节点学习得到的结果是符合预期的，也没有观察到过拟合的 Decision Tree 节点，所以这个粗糙的模型我们是认可的，可以做为其他机器学习方法的一个基准。我们现在还没有在另外的数据集上验证这个模型，但却已经认可了这个基准模型，这种情况是不多见的，这是可解释性模型的一个优点。
泰坦尼克沉船数据的 Decision Tree View中 的一个节点
让我们再仔细观察 Decision Tree 中的一个具体节点，来了解节点中的数据。其中0(320/397)代表了这个节点预测结果为0（死亡），落入这个节点的数据一共有397人，其中320人符合我们的模型预期。节点中部的 Table 部分描述了符合节点预测以及不符合节点预测 的具体数据以及比例，节点下部的 Chart 部分，以可视化的形式描述了同样的数据。值得注意的是，在整个工作流中，因为我们在上游节点使用了 Color Manager 对数据进行标记（生存1标记为绿色，死亡0标记为红色），所以这里的可视化会非常的清晰明了。
我们接下来看一下这个模型在测试集上的效果。接入 Decision Tree Predictor 与 Scorer 节点，如下图所示：
预测测试集数据并进行评价
在数据进入 Decision Tree Learner 和 Decision Tree Predictor 之前，用 Partitioning 节点分割原始数据集的，我们把其中的一部分数据（通常称为训练集，大约占总数据百分之七十）送给 Learner 节点，把另外的一部分数据（通常称为测试集，大约占总数据百分之三十）送给 Predictor 节点，最后接入 Scorer 节点来考察模型在测试集上的表现。图中最右边是 Scorer 节点的节点配置。
模型评价结果
当运行完整个 Workflow 工作流之后，我们右键 Scorer 节点，选择 View: Confusion Matrix，得到上面的评价结果。因为这是一个分类问题的模型，所以有实际为 1 预测为 1、实际为 1 预测为 0、实际为 0 预测为 1、实际为 0 预测为 0，这四种情况，将四种情况的数据按照矩阵列写就称为 Confusion Matrix 混淆矩阵。对于泰坦尼克这个具体问题来说，1 和 0 的地位是平等的，所以只看左下角的 Accuracy （准确率）结果就可以。但对于某些问题来说，1 和 0 的地位是不平等的，比如 在癌症预测时，预测为癌症（假设为 1）与没有癌症（假设为 0）这两种预测结果来说，人的承受能力是不一样的，如果实际这个人没有癌症，但预测为有癌症，那么这个误诊不是那么严重，但如果实际这个人有癌症，但预测为没有癌症，耽误了最佳诊疗时间，那么这个误诊就比较严重了。在这种时候，只这个模型的准确率是没有太大意义的，需要另外设计其他指标进行模型评价。
我们没有做任何事情，只是把 Decision Tree 这么一摆，在自己划分的测试集上就获得了 79.8% 的准确率，如果原始问题是一个值得深入的问题，那么这个准确率就是我们接下来工作的 Baseline 基准线。要么用更高级的算法，要么收集数据，要么调整现有模型参数，这就是另外的话题了。
至此，我们通过泰坦尼克沉船数据，已经从分析到预测走完了整个流程，也希望你能够静下心来自己做做看。
另外，虽然我们在整个过程中用的机器学习算法不是很时髦, 也不够 state-of-the-art(SOTA 最先进的)，但决策树及其扩展模型，绝对值得成为我们机器学习工具箱中的一把有力工具。
整体 workflow