用机器学习帮助完成找女票的事业还不行吗？

编者按：本文作者是滑铁卢大学计算机科学专业17级的学生Bai Li，他在博客上写了一篇用逻辑回归预测找到女朋友的概率教程。论智君友情提示，本文意在分享项目思路，请勿轻易对号入座。

滑铁卢大学是加拿大著名的理工科高校，是北美地区最优秀的大学之一，我们的数学、计算机科学和工程学科水平居世界前列。然而，这样的学校都有一个明显的特点：男多女少。更糟糕的是滑铁卢大学是出了名的缺少社交活动，所以估计我也跟学校里众多CS同学一样，女朋友是找不到的，这辈子都找不到的。

有人觉得爱情是无法量化的，这种操作太抽象，女朋友什么的，还是顺其自然吧。但是作为滑铁卢大学的数据科学家，这一点我不敢苟同。计算机专业的男人绝不轻易认输！没有社交，用机器学习帮助完成找女票的事业还不行吗？

下面我就来说说详细的教程，都搬好板凳拿起小本本！

首先，我们要明确这个项目的问题是：滑铁卢大学的男生想找到女朋友，都需要哪些特质？首先，大部分人都觉得工资高肯定更吸引妹子，另外身高或者身材更是加分项。我们想确定的是，哪些因素可以用预测进行量化，哪些仅仅是猜测而没有数据支持。

我大概想了这么几个特征：

约会（目标变量）：有女朋友的男生，或者过去五年至少谈了六个月恋爱的男生

是否是国际学生

专业是否为CS、SE或ECE

成绩优异，并找到了牛X的实习

是否幽默健谈

性格是否外向、愿意结交新朋友

是否自信

比我高（175+）

戴不戴眼镜

经常去健身房或喜欢各项运动的人

注重穿衣打扮

长居加拿大或者在加拿大居住工作至少五年

是否为亚裔

你也许注意到其中一些特征太主观了，比如怎么才能规定一个人“有趣”、“幽默”呢？在这个项目中，我将人们分成两部分，用1标记其中一半，另外一半标为0。所以我根据自己对周围人的观察，确定他们找到女朋友的能力。

要说明的是，本文并不属于客观严谨的统计型研究，而是给大家提供一种思路。

为了收集数据，我把每个能想到的同学的信息都制成表格，用1或0代表“是”或“否”，最后共有70个同学信息。注意了，滑铁卢大学的各位，过去两年跟Bai Li说过话的男生，你们可能已经被用作训练数据了哦。

分析过程

首先我们在目标变量Dating上对各种其他变量进行费舍尔精确检验，最终得到三种最重要的变量：

健身——爱健身爱运动的男生比其他男生有女朋友的概率大了两倍（p-value=0.02）

眼镜——不戴眼镜的男生比戴眼镜的男生有女朋友的概率多了70%（p-value=0.08）（睡前别玩手机了！眼保健操做起来啊各位！）

自信——有信心的男森最帅啦（p-value=0.09）

果然妹子们都喜欢身材好、有朝气的男生。不过我有点吃惊戴眼镜竟然这么重要？可能有些人会把戴眼镜和nerd联系起来吧，不过还真的有论文研究过这个问题，结果发现人们确实觉得眼镜会让魅力大打折扣。

有些变量也许可以预测成功约会的概率，但是由于样本数量太少，结果不确定性很大：

国际学生比当地学生成功几率大

亚洲男生比其他种族的男生优势较小

其他因素不变的情况下，CS专业的男生似乎更受欢迎

剩下的类似身高、成绩、穿衣打扮等因素跟能否找女朋友关系不大，就算你去Facebook总部工作，对不起，该单身还是单身。

下面是实验的全部结果：

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

接着，我们对比了各变量之间的关系，这可以帮助找出错误的模型假设。红点表示正面联系，蓝色表示负面联系。我们只显示出了统计显著性＜0.1的关系，所以大部分变量的组合是空白的。

如图所示{有女朋友，有自信，健身，不戴眼镜}互相有关。

这里我再强调一下，我统计的信息都是身边的同学，或者同学的同学，专业都是学CS的并不能代表整个滑铁卢大学的学生。

所以任何模型在这个数据上训练都会反映出同样的偏差。未来我会收集更多数据改进模型。

用逻辑回归预测恋爱概率

如何用算法预测找到女朋友的概率呢？让我们搓搓手准备开始吧！

我训练了一个逻辑回归GLM，从各个解释变量的角度预测找到女朋友的概率。利用R中的glmnet和caret包，我用弹性网络正则化训练了一个GLM。然后再用标准网格搜索进行超参数优化，用leave-one-out交叉验证并且在每次迭代中对Kappa系数进行优化。

结果模型的ROC曲线上交叉验证的AUC分数为0.673，也就是说，模型的预测还是有点准的，不过其中的不确定性因素仍然很多。最后，我还做了一个简单计算器，大家有兴趣可以玩玩。

小编测试了一下，全部选取了“弱势因素”，这个结果可真悲伤

好了啥也不说了，我要去健身房举铁冷静一下，再预约个近视手术了（手动再见）。