資料科學社群中有一個很重要的平台 Kaggle，裡面從競賽、資料分享、經驗交流到社群都有，因為經營太成功了，後來（不意外地）被 Google 買下。我之前在參加 Google 數據分析師專業認證課時，課堂中有要求要開一個帳號，並且上去問答。問答完之後，就會看到你的帳號狀態中，顯示「你只要上傳一次數據競賽」就可以脫離新手村。
衝啊！
Kaggle 中有非常多的數據競賽，而且有些競賽的數據集非常好，獎金也很高。不過菜鳥先不要想那麼多，也做不了這麼高深的比賽。許多人都推薦，Kaggle 競賽可以先從 Titanic 鐵達尼競賽開始。這是一個沒有獎金，只有評分與排名的競賽，而且資料集非常單純，你不會寫程式、不懂機器學習，即便用Excel這種試算表也可以獲得不錯的成績。
什麼是 Kaggle 競賽
Kaggle 上有大大小小的競賽，從給錢的、給（虛擬獎牌）到老師自己在課堂上舉辦的都有，參加辦法其實很簡單，許多比賽都會將一份資料集拆成兩個：
- 訓練集 Train Dataset，讓你實際去訓練機器學習或者用各種你會的方法來跑模型的資料集。
- 測試集 Test Dataset，通常與訓練集來自同一個資料庫，就像富春山居圖分成兩塊一樣，Test Dataset 是讓你去測試你的模型是否正確，會比訓練集少一些欄位，然後把你的結果上傳到競賽中，競賽就會與原本的資料比對，吻合程度越高就代表你的模型越好。
鐵達尼資料集
Kaggle上的鐵達尼資料集來自真實的數據，但與真實完整的欄位有一點點落差，這些欄位包含：
- survival 倖存與否
- pclass 艙等
- sex 性別
- Name 姓名 （包含頭銜）
- Age 年齡
- sibsp 手足、配偶人數
- parch 父母、子女人數
- ticket 船票編號
- fare 票價
- cabin 艙房編號
- embarked 登船口岸
但這些資料集中有嚴重的資料疏漏，所以需要用各種技巧來處理。
資料分析
在Excel有很多方式可以分析這個檔案，第一是採取 Logistic Regression，這樣不用針對數據的特徵有任何分析，直接硬算即可。
另外一種方法就是針對數據的特徵分析之後，你可以不斷透過樞紐分析往下找到各種特徵。
當Rose與Jack要逃下船時，誰的機會比較大呢？我們先從性別來看，可以很快發現最明顯的特徵，就是女性大部分都活下來了，但男性很少。
這時候你可能開始會好奇，例如艙等、年齡、同行人數、票價、登船口岸會不會有差別，例如性別與艙等，可以看出女性雖然容易逃出，但三等票的就難說了：
如此不斷的分析下去，你慢慢就會找到一些特徵，例如：
- 頭等與二等的女性存活
- 男性頭等與二等艙10歲以下存活
當你把這些特徵或規則都找出來之後，就可以在測試集輸入你的判斷式、公式、規則、模型等等，去估計測試集每一位乘客是否會倖存（1），之後再把數據貼到另一個 .csv 檔案，這樣就可以上傳，並且立即看到分數與排名了。
以「頭等與二等的女性存活」為例，我的 Excel 判斷式應該會是
=IF(AND(Sex="Female", PClass<3),1,0)
然後逐漸向下拉，就可以判斷是否可能存活。
當然，妳找到的條件一定不會只有一個，所以 IF() 後面一定非常長，如果你不習慣寫很長的 IF，記得一個一個條件都先分別寫出來後，再以 AND()、OR()、NOT()來設定條件。
這個鐵達尼的資料集，我用邏輯斯回歸與樞紐分析找規則的方式，兩個都可以獲得差不多的正確率。
資料上傳
Titanic的資料上傳很簡單，拖拉 .csv 檔案，並簡單寫個註記（主要是給自己看的），馬上就可以看到你的正確率與排名。
如果你上傳一個全部都倖存的檔案會發生什麼事？你會獲得一個 0.37 的成績，大概倒數1000名內。如果全部都死亡呢？成績就會高很多了。
通常你經過每次調整再重新上傳，都會獲得更好的成績，這也是 Kaggle 平台的趣味所在。