🚢 Titanic Machine Learning Project

---

Machine Learning interattivo sul dataset Titanic con UI moderna ed esperimenti avanzati

Esplora • Risultati • Installazione • Documentazione • Contribuisci

---

📋 Indice

• Overview
• Risultati Sperimentali
• Struttura Progetto
• Installazione
• Applicazione Streamlit
• Dataset
• Tecnologie
• Best Practices
• Contribuire
• Licenza

---

🎯 Overview

Un'applicazione completa di Machine Learning che combina esperimenti avanzati con un'interfaccia utente moderna per l'analisi e la predizione della sopravvivenza sul Titanic.

✨ Caratteristiche Principali

• 🔄 Training modello interattivo
• 📊 Visualizzazioni dinamiche
• 🛠️ Feature engineering automatizzato
• 📈 Multiple submission ottimizzate
• 🎨 UI moderna e responsive

---

📊 Risultati Sperimentali

🏆 Performance Submissions

Submission	Score	Caratteristiche
submission_advanced_features.csv	0.77751	• Random Forest (200 trees) • Max depth: 7 • Feature engineering avanzato
submission_optimized.csv	0.75598	• XGBoost ottimizzato • Hyperparameter tuning • Feature avanzate
submission.csv	0.61722	• Random Forest base • Feature engineering minimo
submission_with_isalone.csv	0.60047	• Feature IsAlone aggiunta • Encoding binario cabine

---

📁 Struttura Progetto

TITANIC_ML/
│
├── 📱 titanic_app.py           # App Streamlit
├── 📊 generate_submission.py   # Script base
├── 📈 generate_submission_adv.py  # Features avanzate
├── 🔧 generate_submission_pro.py  # Ottimizzazione
├── 📝 titanic_eda.py          # Analisi dati
│
├── 📂 data/
│   ├── train.csv              # Training set
│   ├── test.csv               # Test set
│   └── train_cleaned.csv      # Dati preprocessati
│
├── 📦 models/
│   └── xgboost_model.pkl      # Modello salvato
│
└── 📄 requirements.txt        # Dipendenze

---

⚡ Installazione

# Clone repository
git clone https://github.com/yourusername/titanic_ml.git

# Crea ambiente virtuale
python -m venv venv

# Attiva ambiente
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

# Installa dipendenze
pip install -r requirements.txt

# Avvia app
streamlit run titanic_app.py

---

💻 Applicazione Streamlit

Features 📊 Dashboard interattiva 🔄 Training real-time 📈 Visualizzazioni dinamiche 💾 Export predizioni 🎨 Tema dark mode

Metriche 📈 Accuratezza: 84.9% 🎯 Precisione: 82.2% 📊 Recall: 81.1% 🏆 Score Kaggle: 0.77751

---

🛠️ Tecnologie

Core Python 3.8+ Pandas NumPy Scikit-learn XGBoost

Visualization Streamlit Plotly Seaborn Matplotlib

Development Git Virtual Env Jupyter

---

📈 Performance e Ottimizzazione

Hardware Consigliato

• 💻 RAM: 4GB+
• 🔧 CPU: Multi-core
• 💾 Disk: 1GB+

Tempi Esecuzione

• ⚡ Training: 1-2 min
• 🚀 Predizione: Real-time
• 📊 EDA: Istantaneo

---

🤝 Come Contribuire

graph LR
    A[Fork] -->B[Feature Branch]
    B --> C[Commit]
    C --> D[Push]
    D --> E[Pull Request]

Loading

---

📫 Contatti

---

📄 Licenza

MIT © Francesco Cabu