編者按：本文作者是滑鐵盧大學計算機科學專業17級的學生Bai Li，他在博客上寫了一篇用邏輯回歸預測找到女朋友的概率教程。論智君友情提示，本文意在分享項目思路，請勿輕易對號入座。

滑鐵盧大學是加拿大著名的理工科高校，是北美地區最優秀的大學之一，我們的數學、計算機科學和工程學科水平居世界前列。然而，這樣的學校都有一個明顯的特點：男多女少。更糟糕的是滑鐵盧大學是出了名的缺少社交活動，所以估計我也跟學校里眾多CS同學一樣，女朋友是找不到的，這輩子都找不到的。

有人覺得愛情是無法量化的，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的數據科學家，這一點我不敢茍同。計算機專業的男人絕不輕易認輸！沒有社交，用機器學習幫助完成找女票的事業還不行嗎？

下面我就來說說詳細的教程，都搬好板凳拿起小本本！

首先，我們要明確這個項目的問題是：滑鐵盧大學的男生想找到女朋友，都需要哪些特質？首先，大部分人都覺得工資高肯定更吸引妹子，另外身高或者身材更是加分項。我們想確定的是，哪些因素可以用預測進行量化，哪些僅僅是猜測而沒有數據支持。

我大概想了這么幾個特征：

約會（目標變量）：有女朋友的男生，或者過去五年至少談了六個月戀愛的男生

是否是國際學生

專業是否為CS、SE或ECE

成績優異，并找到了牛X的實習

是否幽默健談

性格是否外向、愿意結交新朋友

是否自信

比我高（175+）

戴不戴眼鏡

經常去健身房或喜歡各項運動的人

注重穿衣打扮

長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，比如怎么才能規定一個人“有趣”、“幽默”呢？在這個項目中，我將人們分成兩部分，用1標記其中一半，另外一半標為0。所以我根據自己對周圍人的觀察，確定他們找到女朋友的能力。

要說明的是，本文并不屬于客觀嚴謹的統計型研究，而是給大家提供一種思路。

為了收集數據，我把每個能想到的同學的信息都制成表格，用1或0代表“是”或“否”，最后共有70個同學信息。注意了，滑鐵盧大學的各位，過去兩年跟Bai Li說過話的男生，你們可能已經被用作訓練數據了哦。

分析過程

首先我們在目標變量Dating上對各種其他變量進行費舍爾精確檢驗，最終得到三種最重要的變量：

健身——愛健身愛運動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）（睡前別玩手機了！眼保健操做起來啊各位！）

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。不過我有點吃驚戴眼鏡竟然這么重要？可能有些人會把戴眼鏡和nerd聯系起來吧，不過還真的有論文研究過這個問題，結果發現人們確實覺得眼鏡會讓魅力大打折扣。

有些變量也許可以預測成功約會的概率，但是由于樣本數量太少，結果不確定性很大：

國際學生比當地學生成功幾率大

亞洲男生比其他種族的男生優勢較小

其他因素不變的情況下，CS專業的男生似乎更受歡迎

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

下面是實驗的全部結果：

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，我們對比了各變量之間的關系，這可以幫助找出錯誤的模型假設。紅點表示正面聯系，藍色表示負面聯系。我們只顯示出了統計顯著性＜0.1的關系，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。

這里我再強調一下，我統計的信息都是身邊的同學，或者同學的同學，專業都是學CS的并不能代表整個滑鐵盧大學的學生。

所以任何模型在這個數據上訓練都會反映出同樣的偏差。未來我會收集更多數據改進模型。

用邏輯回歸預測戀愛概率

如何用算法預測找到女朋友的概率呢？讓我們搓搓手準備開始吧！

我訓練了一個邏輯回歸GLM，從各個解釋變量的角度預測找到女朋友的概率。利用R中的glmnet和caret包，我用彈性網絡正則化訓練了一個GLM。然后再用標準網格搜索進行超參數優化，用leave-one-out交叉驗證并且在每次迭代中對Kappa系數進行優化。

結果模型的ROC曲線上交叉驗證的AUC分數為0.673，也就是說，模型的預測還是有點準的，不過其中的不確定性因素仍然很多。最后，我還做了一個簡單計算器，大家有興趣可以玩玩。

小編測試了一下，全部選取了“弱勢因素”，這個結果可真悲傷

好了啥也不說了，我要去健身房舉鐵冷靜一下，再預約個近視手術了（手動再見）。