De RMS Titanic vertrekt richting New York: een drijvend paleis, gevuld met verwachtingen.
Aan boord: industriëlen in avondkleding, jonge gezinnen met één koffer, bemanningsleden met routine.
De zee is kalm; de toekomst lijkt maakbaar. Meer dan een eeuw later kijken wij mee — niet met verrekijkers of logboeken, maar met data.
Elk record in deze dataset is een menselijk verhaal: iemand met een plek aan tafel, een ticket, een familie, een keuze.
Door de gegevens te verkennen, begrijpen we beter wie overleefde — en waarom.
Waar de onderzoekers van toen vooral vertrouwden op statistiek, logboeken en getuigenissen, gebruiken we nu machine learning — een moderne vorm van datadenken.
Waar een mens patronen zoekt met intuïtie, zoekt een algoritme met precisie. Het kan duizenden kleine verbanden herkennen tussen factoren die wij afzonderlijk misschien niet belangrijk vinden, maar die samen het verschil kunnen maken tussen leven en dood.
Met supervised learning laten we een computer leren van bekende uitkomsten — in dit geval: wie overleefde en wie niet — om te begrijpen hoe die uitkomsten samenhangen met kenmerken als leeftijd, klasse, geslacht, familieomvang en ticketprijs.
Door deze verbanden te modelleren ontstaat een nieuw soort blik op het verleden: één die niet alleen bevestigt wat we al vermoedden, maar ook onverwachte patronen blootlegt die vroeger verborgen bleven.
Soms blijken ogenschijnlijk kleine factoren, zoals de combinatie van gezinssamenstelling en vertrekhaven, een verrassend grote rol te spelen in de overlevingskansen. Andere keren bevestigt het model juist de intuïtie van historici, maar met cijfers en waarschijnlijkheden in plaats van aannames.
Zo wordt machine learning een hulpmiddel bij het herontdekken van oude verhalen — een digitale archeologie van data.
Het is alsof we met een nieuwe bril naar de geschiedenis kijken: een bril die niet oordeelt, maar leert, vergelijkt en verbanden zichtbaar maakt die het menselijk oog destijds niet kon zien.
👥 Passagierslijst — volledige dataset (scrollbaar)
Titanic-passagiers
100 | 0 | 3 | Penasco y Castellana, Mrs. Victor de Satode (Maria Josefa Perez de Soto y Vallejo) | Female | 28.5 | 1 | 0 | SOTON/O.Q. 3101307 | 146.5208 | B57 B59 B63 B66 | S | 11 | Niet overleefd |
🔧 Initialisatie & Modeltraining
⏳ Initialiseren…
Het kijkt naar klasse, geslacht, leeftijd, familieomvang, ticketprijs en haven van vertrek.
Bij het opstarten traint de computer een RandomForest-model dat leert wie op de Titanic overleefde – en waarom. Een RandomForest bestaat uit een heel bos van beslisbomen: kleine modellen die elk proberen een voorspelling te doen.
Elke boom stelt zijn eigen vragen aan de data. Was deze passagier man of vrouw? Hoe oud was hij of zij? In welke klasse reisde men, en hoeveel familieleden waren er mee aan boord? Wat kostte het ticket, en vanuit welke haven vertrok de persoon?
Elke boom komt op basis van die antwoorden tot een conclusie: overleefd, of niet overleefd. Sommige bomen zijn optimistischer, andere voorzichtiger. Wanneer al die beslisbomen samen worden genomen, stemt het hele bos: de meerderheid beslist. Dat maakt het model robuust
De nauwkeurigheid, bijvoorbeeld 74%, vertelt hoeveel van die voorspellingen juist zijn. Een score van 74% betekent dus dat het model in 74 van de 100 gevallen correct inschat of iemand overleefde. Geen perfecte voorspelling, maar wel een indrukwekkend resultaat voor een algoritme dat niets “weet” over de ramp, behalve wat de data het vertelt.
Het bijzondere aan deze methode is dat ze meer kan zien dan een mens. Ze ontdekt kleine samenhangen die we zelf misschien over het hoofd zouden zien: dat jonge vrouwen in de derde klasse andere kansen hadden dan oudere mannen in de tweede, of dat gezinnen die vanuit Cherbourg vertrokken een iets hogere overlevingskans hadden dan die uit Southampton.
Met elke berekening wordt het model een beetje wijzer
📊 Verken de data
🔮 Jouw scenario — bereken je overlevingskans en lees je scène
Hier kun je ontdekken hoe groot jouw kans op overleving zou zijn geweest aan boord van de Titanic — en meteen het verhaal van jouw nacht lezen.
- Kies je profiel
- Klasse: 1e, 2e of 3e klasse (je reiscomfort en dekpositie).
- Geslacht: man of vrouw — dit had invloed op reddingsvoorrang.
- Leeftijd: jouw leeftijd in jaren.
- Broers/zussen en ouders/kinderen: hoeveel familieleden reisden met je mee.
- Ticketprijs (£): hoe duur je passage was.
- Vertrekhaven: Cherbourg (C), Queenstown (Q) of Southampton (S).
- Klik op de knop “🎲 Bereken én vertel mijn verhaal”
Het model schat jouw overlevingskans op basis van historische patronen. - Lees je persoonlijke scène
Onder de knop verschijnt een korte beschrijving die je meeneemt naar die nacht —
gebaseerd op jouw ingevulde profiel en de berekende kans.💡 De voorspelling is een statistische schatting, geen oordeel.
Ze helpt je zien hoe factoren zoals klasse, geslacht en leeftijd destijds iemands lot konden bepalen.