今天第一次跟着别人的Notebook顺着做了一下kaggle里面的入门比赛：预测泰坦尼克溺亡（虽然分数只有0.77...）
发现很大一部分工作在于数据清洗这块，这一过程中也是认识到了很多新东西，现在大概列一下：
- 先将可能造成data leakage，或者一看就没啥关系的的相关列drop
- 分categories和numerical类型处理missing value
- 对非参数类型，如‘Sex’，进行卡方检验，判断相关程度卡方检验（Chi-Squared Test） - 知乎 (zhihu.com)
- 对数值类型，进行方差分析：Anova,这两步相当于在进行特征的选取工作
- 将训练集split，分别用logistics，knn，决策树，随机森林去预测
- 对于小数据的，在sklearn中的modelselection有一个GridSearchCv，就是线性扫描一遍，选取最佳的参数
- 其他的几个小tips：归一化MaxMinscale，pandas的一种onehotencode：pd.get_dummy