用機(jī)器學(xué)習(xí)幫助完成找女票的事業(yè)還不行嗎？

編者按：本文作者是滑鐵盧大學(xué)計(jì)算機(jī)科學(xué)專業(yè)17級(jí)的學(xué)生Bai Li，他在博客上寫了一篇用邏輯回歸預(yù)測(cè)找到女朋友的概率教程。論智君友情提示，本文意在分享項(xiàng)目思路，請(qǐng)勿輕易對(duì)號(hào)入座。

滑鐵盧大學(xué)是加拿大著名的理工科高校，是北美地區(qū)最優(yōu)秀的大學(xué)之一，我們的數(shù)學(xué)、計(jì)算機(jī)科學(xué)和工程學(xué)科水平居世界前列。然而，這樣的學(xué)校都有一個(gè)明顯的特點(diǎn)：男多女少。更糟糕的是滑鐵盧大學(xué)是出了名的缺少社交活動(dòng)，所以估計(jì)我也跟學(xué)校里眾多CS同學(xué)一樣，女朋友是找不到的，這輩子都找不到的。

有人覺(jué)得愛(ài)情是無(wú)法量化的，這種操作太抽象，女朋友什么的，還是順其自然吧。但是作為滑鐵盧大學(xué)的數(shù)據(jù)科學(xué)家，這一點(diǎn)我不敢茍同。計(jì)算機(jī)專業(yè)的男人絕不輕易認(rèn)輸！沒(méi)有社交，用機(jī)器學(xué)習(xí)幫助完成找女票的事業(yè)還不行嗎？

下面我就來(lái)說(shuō)說(shuō)詳細(xì)的教程，都搬好板凳拿起小本本！

首先，我們要明確這個(gè)項(xiàng)目的問(wèn)題是：滑鐵盧大學(xué)的男生想找到女朋友，都需要哪些特質(zhì)？首先，大部分人都覺(jué)得工資高肯定更吸引妹子，另外身高或者身材更是加分項(xiàng)。我們想確定的是，哪些因素可以用預(yù)測(cè)進(jìn)行量化，哪些僅僅是猜測(cè)而沒(méi)有數(shù)據(jù)支持。

我大概想了這么幾個(gè)特征：

約會(huì)（目標(biāo)變量）：有女朋友的男生，或者過(guò)去五年至少談了六個(gè)月戀愛(ài)的男生

是否是國(guó)際學(xué)生

專業(yè)是否為CS、SE或ECE

成績(jī)優(yōu)異，并找到了牛X的實(shí)習(xí)

是否幽默健談

性格是否外向、愿意結(jié)交新朋友

是否自信

比我高（175+）

戴不戴眼鏡

經(jīng)常去健身房或喜歡各項(xiàng)運(yùn)動(dòng)的人

注重穿衣打扮

長(zhǎng)居加拿大或者在加拿大居住工作至少五年

是否為亞裔

你也許注意到其中一些特征太主觀了，比如怎么才能規(guī)定一個(gè)人“有趣”、“幽默”呢？在這個(gè)項(xiàng)目中，我將人們分成兩部分，用1標(biāo)記其中一半，另外一半標(biāo)為0。所以我根據(jù)自己對(duì)周圍人的觀察，確定他們找到女朋友的能力。

要說(shuō)明的是，本文并不屬于客觀嚴(yán)謹(jǐn)?shù)慕y(tǒng)計(jì)型研究，而是給大家提供一種思路。

為了收集數(shù)據(jù)，我把每個(gè)能想到的同學(xué)的信息都制成表格，用1或0代表“是”或“否”，最后共有70個(gè)同學(xué)信息。注意了，滑鐵盧大學(xué)的各位，過(guò)去兩年跟Bai Li說(shuō)過(guò)話的男生，你們可能已經(jīng)被用作訓(xùn)練數(shù)據(jù)了哦。

分析過(guò)程

首先我們?cè)谀繕?biāo)變量Dating上對(duì)各種其他變量進(jìn)行費(fèi)舍爾精確檢驗(yàn)，最終得到三種最重要的變量：

健身——愛(ài)健身愛(ài)運(yùn)動(dòng)的男生比其他男生有女朋友的概率大了兩倍（p-value=0.02）

眼鏡——不戴眼鏡的男生比戴眼鏡的男生有女朋友的概率多了70%（p-value=0.08）（睡前別玩手機(jī)了！眼保健操做起來(lái)啊各位！）

自信——有信心的男森最帥啦（p-value=0.09）

果然妹子們都喜歡身材好、有朝氣的男生。不過(guò)我有點(diǎn)吃驚戴眼鏡竟然這么重要？可能有些人會(huì)把戴眼鏡和nerd聯(lián)系起來(lái)吧，不過(guò)還真的有論文研究過(guò)這個(gè)問(wèn)題，結(jié)果發(fā)現(xiàn)人們確實(shí)覺(jué)得眼鏡會(huì)讓魅力大打折扣。

有些變量也許可以預(yù)測(cè)成功約會(huì)的概率，但是由于樣本數(shù)量太少，結(jié)果不確定性很大：

國(guó)際學(xué)生比當(dāng)?shù)貙W(xué)生成功幾率大

亞洲男生比其他種族的男生優(yōu)勢(shì)較小

其他因素不變的情況下，CS專業(yè)的男生似乎更受歡迎

剩下的類似身高、成績(jī)、穿衣打扮等因素跟能否找女朋友關(guān)系不大，就算你去Facebook總部工作，對(duì)不起，該單身還是單身。

下面是實(shí)驗(yàn)的全部結(jié)果：

Variable: international

N(international)=10, N(~international)=60

p(dating|international)=0.60, p(dating|~international)=0.38

p-value=0.299

Variable: cs

N(cs)=56, N(~cs)=14

p(dating|cs)=0.45, p(dating|~cs)=0.29

p-value=0.368

Variable: career

N(career)=46, N(~career)=24

p(dating|career)=0.43, p(dating|~career)=0.38

p-value=0.799

Variable: interesting

N(interesting)=34, N(~interesting)=36

p(dating|interesting)=0.47, p(dating|~interesting)=0.36

p-value=0.467

Variable: social

N(social)=29, N(~social)=41

p(dating|social)=0.45, p(dating|~social)=0.39

p-value=0.806

Variable: confident

N(confident)=37, N(~confident)=33

p(dating|confident)=0.51, p(dating|~confident)=0.30

p-value=0.092

Variable: tall

N(tall)=26, N(~tall)=44

p(dating|tall)=0.46, p(dating|~tall)=0.39

p-value=0.619

Variable: glasses

N(glasses)=41, N(~glasses)=29

p(dating|glasses)=0.32, p(dating|~glasses)=0.55

p-value=0.084

Variable: gym

N(gym)=22, N(~gym)=48

p(dating|gym)=0.64, p(dating|~gym)=0.31

p-value=0.018

Variable: fashion

N(fashion)=17, N(~fashion)=53

p(dating|fashion)=0.41, p(dating|~fashion)=0.42

p-value=1.000

Variable: canada

N(canada)=31, N(~canada)=39

p(dating|canada)=0.42, p(dating|~canada)=0.41

p-value=1.000

Variable: asian

N(asian)=59, N(~asian)=11

p(dating|asian)=0.37, p(dating|~asian)=0.64

p-value=0.181

接著，我們對(duì)比了各變量之間的關(guān)系，這可以幫助找出錯(cuò)誤的模型假設(shè)。紅點(diǎn)表示正面聯(lián)系，藍(lán)色表示負(fù)面聯(lián)系。我們只顯示出了統(tǒng)計(jì)顯著性＜0.1的關(guān)系，所以大部分變量的組合是空白的。

如圖所示{有女朋友，有自信，健身，不戴眼鏡}互相有關(guān)。

這里我再?gòu)?qiáng)調(diào)一下，我統(tǒng)計(jì)的信息都是身邊的同學(xué)，或者同學(xué)的同學(xué)，專業(yè)都是學(xué)CS的并不能代表整個(gè)滑鐵盧大學(xué)的學(xué)生。

所以任何模型在這個(gè)數(shù)據(jù)上訓(xùn)練都會(huì)反映出同樣的偏差。未來(lái)我會(huì)收集更多數(shù)據(jù)改進(jìn)模型。

用邏輯回歸預(yù)測(cè)戀愛(ài)概率

如何用算法預(yù)測(cè)找到女朋友的概率呢？讓我們搓搓手準(zhǔn)備開(kāi)始吧！

我訓(xùn)練了一個(gè)邏輯回歸GLM，從各個(gè)解釋變量的角度預(yù)測(cè)找到女朋友的概率。利用R中的glmnet和caret包，我用彈性網(wǎng)絡(luò)正則化訓(xùn)練了一個(gè)GLM。然后再用標(biāo)準(zhǔn)網(wǎng)格搜索進(jìn)行超參數(shù)優(yōu)化，用leave-one-out交叉驗(yàn)證并且在每次迭代中對(duì)Kappa系數(shù)進(jìn)行優(yōu)化。

結(jié)果模型的ROC曲線上交叉驗(yàn)證的AUC分?jǐn)?shù)為0.673，也就是說(shuō)，模型的預(yù)測(cè)還是有點(diǎn)準(zhǔn)的，不過(guò)其中的不確定性因素仍然很多。最后，我還做了一個(gè)簡(jiǎn)單計(jì)算器，大家有興趣可以玩玩。

小編測(cè)試了一下，全部選取了“弱勢(shì)因素”，這個(gè)結(jié)果可真悲傷

好了啥也不說(shuō)了，我要去健身房舉鐵冷靜一下，再預(yù)約個(gè)近視手術(shù)了（手動(dòng)再見(jiàn)）。