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)
Fuente oficial

¿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

Cómo cargarlopython
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

Datasets relacionados