要比较不同机器学习算法在预测泰坦尼克号生存几率方面的性能，可以按照以下步骤进行：

1. 数据准备：首先，需要加载并预处理泰坦尼克号的数据集。可以使用pandas库读取CSV文件，并进行数据清洗、特征选择和特征工程，以便为机器学习算法提供适当的输入。例如，可以使用以下代码加载数据集：

import pandas as pd

# 读取训练数据集
train_data = pd.read_csv('train.csv')

# 预处理数据（清洗、特征选择、特征工程等）
# ...

2. 特征工程：根据实际需求，对数据进行特征工程，以便提取有信息量的特征，并且准备输入和目标变量。这些特征可以包括：年龄、性别、船舱等级、是否有亲属等。此外，还需要准备目标变量（即生存与否）。

# 提取特征和目标变量
features = ['Age', 'Sex', 'Pclass', 'SibSp', 'Parch']
target = 'Survived'

X = train_data[features]
y = train_data[target]

3. 划分训练集和测试集：为了进行模型评估，需要将数据集划分为训练集和测试集。可以使用sklearn库的train_test_split函数来实现。

from sklearn.model_selection import train_test_split

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. 模型选择和训练：选择不同的机器学习算法，并使用训练集对其进行训练。

from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC

# 初始化不同的机器学习算法模型
models = {
   'Logistic Regression': LogisticRegression(),
   'Random Forest': RandomForestClassifier(),
   'Support Vector Machine': SVC()
}

# 模型训练
for model_name, model in models.items():
    model.fit(X_train, y_train)

5. 模型评估：使用测试集对每个模型进行评估，并比较它们的性能。常用的评估指标包括准确率、精确率、召回率和F1分数等。

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 模型评估
for model_name, model in models.items():
    y_pred = model.predict(X_test)

    accuracy = accuracy_score(y_test, y_pred)
    precision = precision_score(y_test, y_pred)
    recall = recall_score(y_test, y_pred)
    f1 = f1_score(y_test, y_pred)

    print(f'{model_name}的性能指标:')
    print(f'准确率: {accuracy}')
    print(f'精确率: {precision}')
    print(f'召回率: {recall}')
    print(f'F1分数: {f1}')

通过以上步骤，可以比较不同机器学习算法在预测泰坦尼克号生存几率方面的性能，并根据评估指标选择最合适的算法。