Titanic
Los pasajeros del Titanic y quién sobrevivió: la competencia introductoria más popular de Kaggle.
ÁreaBenchmarks Clásicos de Machine Learning
DominioBenchmark Clásico
DificultadPrincipiante
Tamaño~891 pasajeros (train) + 418 (test)
¿Qué puedes lograr con este dataset?
- Practicar limpieza de datos con valores faltantes reales (edad, cabina)
- Construir tu primer pipeline completo de clasificación binaria
- Aprender ingeniería de features con variables categóricas y de texto (nombres, títulos)
Descripción
El dataset introductorio por excelencia de Kaggle: datos demográficos y de viaje de los pasajeros del Titanic, con el objetivo de predecir quién sobrevivió al naufragio. Su mezcla de variables numéricas, categóricas y con datos faltantes lo hace ideal para practicar un flujo de trabajo realista a pequeña escala.
Casos de uso
- Primer proyecto completo de clasificación binaria
- Práctica de imputación de valores faltantes
- Ingeniería de features a partir de variables de texto (extraer títulos de nombres)
- Enseñanza introductoria de feature engineering y clasificación
Cómo cargarlo
import pandas as pd
df = pd.read_csv("train.csv")
df["Title"] = df["Name"].str.extract(r",\s*([^\.]+)\.")
print(df["Title"].value_counts())Ventajas y limitaciones
Ventajas
- Tamaño pequeño ideal para iterar rápido mientras se aprende
- Mezcla realista de tipos de variables y datos faltantes genuinos
- Comunidad enorme con miles de notebooks de referencia en Kaggle
Limitaciones
- Extremadamente sobre-explotado como ejemplo, poco original para un portafolio
- El tamaño pequeño limita la aplicación de técnicas que requieren más datos