????一 序

人工智能(AI)是一個(gè)自從計(jì)算機(jī)被發(fā)明開始就存在的一個(gè)技術(shù)領(lǐng)域。從1956年Marvin Minsky、John McCarthy等人在達(dá)特茅斯學(xué)院的會(huì)議中第一次提出人工智能這個(gè)概念開始，AI這個(gè)領(lǐng)域的概念、技術(shù)和研究經(jīng)歷了非常長足的發(fā)展。

其中，機(jī)器學(xué)習(xí)是人工智能領(lǐng)域當(dāng)中最核心也是最廣泛應(yīng)用的一個(gè)子領(lǐng)域，旨在通過一系列數(shù)學(xué)的方法，如統(tǒng)計(jì)、概率論、線性代數(shù)等方法，設(shè)計(jì)和分析讓計(jì)算機(jī)可以自動(dòng)學(xué)習(xí)的算法。這些算法通過從大量數(shù)據(jù)中獲取規(guī)律，來對(duì)未知的的數(shù)據(jù)進(jìn)行預(yù)測和決策。

機(jī)器學(xué)習(xí)的算法被廣泛地用到計(jì)算機(jī)視覺、語音、自然語言處理、數(shù)據(jù)挖掘、搜索、廣告、游戲、機(jī)器人、金融等各種行業(yè)。

隨著深度學(xué)習(xí)的興起，產(chǎn)業(yè)界對(duì)于機(jī)器學(xué)習(xí)產(chǎn)生了非常強(qiáng)烈的興趣，也使得機(jī)器學(xué)習(xí)領(lǐng)域開始迅速地走向工程化和系統(tǒng)化。

除了機(jī)器學(xué)習(xí)算法本身的不斷創(chuàng)新之外，數(shù)據(jù)和算力的增加也是不可忽視的：大量的數(shù)據(jù)，特別是移動(dòng)互聯(lián)網(wǎng)的興起，使機(jī)器學(xué)習(xí)算法得以打破傳統(tǒng)數(shù)據(jù)量的限制;由于GPGPU等高性能處理器開始提供大量的算力，又使得我們能夠在可控的時(shí)間內(nèi)(以天為單位甚至更短)進(jìn)行exaflop級(jí)別的算法訓(xùn)練。

在這些的綜合作用下，工業(yè)界開始浮現(xiàn)出大量的機(jī)器學(xué)習(xí)系統(tǒng)創(chuàng)新。以2011年Google Brain，即谷歌大腦為代表，機(jī)器學(xué)習(xí)開始迅速從實(shí)驗(yàn)室轉(zhuǎn)向業(yè)界。

毫無疑問，深度學(xué)習(xí)(DeepLearning)是當(dāng)下最熱門的人工智能技術(shù)，在智能推薦、圖像識(shí)別、機(jī)器翻譯、計(jì)算廣告、自動(dòng)駕駛等領(lǐng)域都有突破性的進(jìn)展和應(yīng)用。而深度學(xué)習(xí)的成功很大部分得益于新的計(jì)算框架和異構(gòu)計(jì)算硬件，譬如Tensorflow和NVIDIA GPU。

然而，對(duì)于算法工程師來說，要搭建這樣一套學(xué)習(xí)和工作的環(huán)境不是一件容易的事情：需要一個(gè)特定版本的操作系統(tǒng)(最好是Linux)，一張或多張GPU卡，安裝GPU驅(qū)動(dòng)，安裝深度學(xué)習(xí)計(jì)算框架和其依賴的軟件包等。在調(diào)試深度學(xué)習(xí)算法的過程中，如果說嘗試不同的驅(qū)動(dòng)版本和切換各種版本的軟件庫還勉強(qiáng)可以接受，那么切換硬件環(huán)境，特別是更換GPU卡就傷筋動(dòng)骨了。

那么，有沒有能夠一勞永逸解決這些苦惱的方式?阿里云機(jī)器學(xué)習(xí)平臺(tái)PAI出品的一款云端深度學(xué)習(xí)開發(fā)環(huán)境：DSW(Data Science Workshop)試圖告訴你，這是個(gè)肯定的答案。

二 云端IDE：阿里巴巴機(jī)器學(xué)習(xí)與PAI-DSW

經(jīng)過20年的快速發(fā)展，阿里巴巴已經(jīng)組建了一個(gè)龐大的商業(yè)生態(tài)圈，并在支付、云計(jì)算、本地生活服務(wù)等行業(yè)保持互聯(lián)網(wǎng)巨頭地位。其中電商年交易額達(dá)到5.7萬億元、占據(jù)中國網(wǎng)購市場超6成份額，阿里云支撐了2019年雙11 期間峰值 54.4 萬筆/秒、單日數(shù)據(jù)處理量達(dá)到 970PB 的世界級(jí)的流量洪峰，成為業(yè)界第一個(gè)實(shí)現(xiàn)此壯舉的云計(jì)算公司。

阿里云機(jī)器學(xué)習(xí)平臺(tái)正是伴隨著這樣龐大而復(fù)雜的阿里經(jīng)濟(jì)體業(yè)務(wù)需求成長起來的。下面我們將帶著大家掀開阿里云機(jī)器學(xué)習(xí)技術(shù)大圖的一角，看看阿里云機(jī)器學(xué)習(xí)，特別是機(jī)器學(xué)習(xí)工程上的發(fā)展、沉淀和創(chuàng)新。

阿里機(jī)器學(xué)習(xí)技術(shù)大圖

我們從用戶和技術(shù)的兩個(gè)角度來梳理機(jī)器學(xué)習(xí)的技術(shù)體系大圖。從用戶的角度來說，根據(jù)使用機(jī)器學(xué)習(xí)的深度不同，在云棲大會(huì)上，我們展示了飛天AI平臺(tái)的技術(shù)分層關(guān)系：

??

核心樣例

從技術(shù)的角度說，機(jī)器學(xué)習(xí)從算法到底層的硬件，都涉及到不同的技術(shù)方向。下面是我們對(duì)于核心技術(shù)能力上的一個(gè)總體描述：

??

每個(gè)技術(shù)方向上都形成各自的布局和沉淀，接下來我們會(huì)重點(diǎn)講述作為機(jī)器學(xué)習(xí)重要組成部分的工程能力體系建設(shè)。

機(jī)器學(xué)習(xí)工程能力體系

阿里云在機(jī)器學(xué)習(xí)工程體系建設(shè)上，也經(jīng)歷了各領(lǐng)域業(yè)務(wù)需求驅(qū)動(dòng)和技術(shù)驅(qū)動(dòng)分階段螺旋式遞進(jìn)上升的過程。由最初的通過傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行數(shù)據(jù)價(jià)值的粗加工，到今天以深度學(xué)習(xí)為主、支撐各類“行業(yè)大腦”解決方案的人工智能工程體系。

阿里云的機(jī)器學(xué)習(xí)工程能力體系建設(shè)始終圍繞著更高效的融合人工智能三要素(算法、數(shù)據(jù)、算力)進(jìn)行展開，即追求不斷提升整個(gè)工程體系中的計(jì)算效率、數(shù)據(jù)效率以及工程效率，從而能夠更好的支撐阿里經(jīng)濟(jì)體各方面業(yè)務(wù)快速發(fā)展的需求，并通過阿里云對(duì)外進(jìn)行技術(shù)輸出，推動(dòng)人工智能領(lǐng)域的技術(shù)變革，產(chǎn)生更大的社會(huì)效益，實(shí)現(xiàn)普惠人工智能。

經(jīng)過多年的發(fā)展創(chuàng)新，阿里云在AI托管平臺(tái)技術(shù)層進(jìn)行了系統(tǒng)性的建設(shè)，極大提升了算法研發(fā)、共享、部署、輸出的效率，在此基礎(chǔ)上沉淀出多個(gè)具有用戶粘性和場景差異化的開發(fā)平臺(tái)，這里我們選取阿里云機(jī)器學(xué)習(xí)PAI(Platform of Artificial Intelligence)作為代表來著重來介紹。

PAI是一款覆蓋機(jī)器學(xué)習(xí)全流程的一站式機(jī)器學(xué)習(xí)平臺(tái)產(chǎn)品，集數(shù)據(jù)預(yù)處理、特征工程、自動(dòng)調(diào)參、模型訓(xùn)練、在線預(yù)測為一體，為用戶提供低門檻、高性能的云端機(jī)器學(xué)習(xí)服務(wù)。

PAI相關(guān)技術(shù)脫胎于阿里集團(tuán)內(nèi)數(shù)十個(gè)BU的上千個(gè)業(yè)務(wù)體系，沉淀了大量的覆蓋各個(gè)領(lǐng)域的優(yōu)質(zhì)分布式算法、框架、平臺(tái)等，同時(shí)也在不斷完善和擴(kuò)充機(jī)器學(xué)習(xí)生態(tài)。

??

阿里云機(jī)器學(xué)習(xí)PAI-DSW

作為在AI戰(zhàn)線上辛勤耕耘的算法工作者，你是否也常常遇到下面的情形：

• 算法需要運(yùn)行在GPU上，可是長時(shí)間申請(qǐng)不到GPU機(jī)器，只能干著急。
• 終于GPU機(jī)器申請(qǐng)到了，安裝GPU驅(qū)動(dòng)和各種依賴，感覺是在浪費(fèi)時(shí)間。
• 好不容易環(huán)境弄好了，當(dāng)某天更新算法代碼后變得很慢， 排查半天才發(fā)現(xiàn)是GPU驅(qū)動(dòng)需要升級(jí)補(bǔ)丁，很是無奈。
• 生產(chǎn)環(huán)境機(jī)器網(wǎng)絡(luò)隔離，在線上要debug代碼，只能使用GDB在命令行進(jìn)行，開發(fā)效率大大降低。
• 在本地采用PyCharm這樣的IDE開發(fā)好代碼，而數(shù)據(jù)在生產(chǎn)環(huán)境，不允許下載，只能把代碼拷貝到線上機(jī)器運(yùn)行，發(fā)現(xiàn)問題時(shí)，又得回到本地修改調(diào)試后再來一遍，非常不便。
• PAI Studio采用圖形化拖拽式，像搭積木一樣分分鐘就構(gòu)建一個(gè)完整的工作流，很炫酷。但想要定制發(fā)布自己的組件時(shí)，卻不知從何下手。
• 在長期與算法工程師同學(xué)溝通合作的過程中，我們發(fā)現(xiàn)了算法工程師面臨的這些問題。提升機(jī)器學(xué)習(xí)工程效率，降低人工智能使用門檻，急需一個(gè)簡單、輕量、好用的工具平臺(tái)，從而讓算法工程師更加專注于模型設(shè)計(jì)本身。PAI DSW就是PAI團(tuán)隊(duì)為解決算法工程師的以上痛點(diǎn)，新推出的一款云端機(jī)器學(xué)習(xí)開發(fā)IDE。
• PAI-DSW集成了Jupyterlab、WebIDE等多種開源項(xiàng)目，在阿里巴巴集團(tuán)內(nèi)上百個(gè)BU和上千名工程師的打磨之下性能和功能上都進(jìn)行了一定的調(diào)優(yōu)。數(shù)據(jù)上打通了ODPS等多個(gè)數(shù)據(jù)源，方便用戶在構(gòu)建模型的時(shí)候免去重新構(gòu)建數(shù)據(jù)管道的工作。

同時(shí)，在深度學(xué)習(xí)上，PAI-DSW內(nèi)置了Tensorboard，可以通過簡單的拖拽的方式來幫助深度學(xué)習(xí)的開發(fā)者更好的完成深度學(xué)習(xí)場景下神經(jīng)網(wǎng)絡(luò)的建模。下圖展示了DSW在機(jī)器學(xué)習(xí)平臺(tái)PAI產(chǎn)品架構(gòu)中的位置：

??

DSW在機(jī)器學(xué)習(xí)平臺(tái)PAI產(chǎn)品架構(gòu)中的位置

簡單來說，PAI-DSW可以實(shí)現(xiàn)多實(shí)例、多環(huán)境，GPU/CPU資源、JupyterLab、WebIDE以及全屏使用Terminal無干擾工作。目前PAI-DSW已經(jīng)向所有阿里云的用戶免費(fèi)開放了探索者版，只需要登陸阿里云然后打開 https://dsw-dev.data.aliyun.com/#/ 即可開始云上數(shù)據(jù)科學(xué)之旅。接下來將詳細(xì)介紹如何使用PAI-DSW這一簡單好用的工具。

三 新手上路：PAI-DSW實(shí)驗(yàn)室創(chuàng)建攻略

Step 1 : 創(chuàng)建并打開你的DSW實(shí)驗(yàn)室

前往 https://dsw-dev.data.aliyun.com/#/ 即可創(chuàng)建并進(jìn)入你的實(shí)驗(yàn)室。之前需要確保已經(jīng)登陸了阿里云賬號(hào)和天池賬號(hào)。進(jìn)入之后等待幾秒后我們會(huì)看到如下頁面：

??

左側(cè)是DSW實(shí)驗(yàn)室的文件區(qū)，雙擊文件夾即可進(jìn)入。中間是工作區(qū)，右側(cè)是計(jì)算資源區(qū)域，點(diǎn)擊右邊計(jì)算資源區(qū)的箭頭，即可彈出資源詳情，如下圖所示：

??

這里我們也可以點(diǎn)擊切換按鈕選擇我們需要的資源進(jìn)行切換。

??

在文件資源管理區(qū)的頂部還有4個(gè)按鈕，從左到右分別對(duì)應(yīng)的是：打開DSW Launcher啟動(dòng)器，新建文件夾，上傳文件以及刷新當(dāng)前文件夾。

??

在文件夾左側(cè)還有一欄Tab，每個(gè)圖標(biāo)從上到下分別代表了：文件資源管理器，案例代碼，正在運(yùn)行的Notebook，命令面板，在工作區(qū)打開的Tab，以及天池的數(shù)據(jù)搜索引擎。

然后我們回到DSW Launcher啟動(dòng)器,也就是工作區(qū)默認(rèn)打開的界面，然后點(diǎn)擊Notebook區(qū)域中的Python3，如下圖所示：

??

Step 2 : 創(chuàng)建一個(gè)Notebook

點(diǎn)擊了Python3圖標(biāo)后，DSW會(huì)自動(dòng)創(chuàng)建一個(gè)ipynb notebook文件。如下圖所示：

??

Step 3 ：寫下你的第一行代碼并運(yùn)行

用鼠標(biāo)點(diǎn)擊第一個(gè)框框(我們下面以Cell稱呼)，我們就可以開始從只讀模式進(jìn)入編輯模式開始寫代碼了。

??

這里我們可以先輸入一個(gè)簡單的：

print("歡迎來到DSW?????? 你可以把這里當(dāng)作一個(gè)自由自在的實(shí)驗(yàn)室??，做各種你想嘗試的數(shù)據(jù)實(shí)驗(yàn) ")

然后我們同時(shí)按下 shift+ enter回車這兩個(gè)鍵,就可以看到我們的執(zhí)行結(jié)果了，如下圖所示：

??

圖中標(biāo)紅的數(shù)字1表示這個(gè)Cell是第一個(gè)被執(zhí)行的，藍(lán)色區(qū)域則表示當(dāng)前聚焦(Focus)的Cell。我們可以在Focus的Cell按下 Enter回車鍵進(jìn)入編輯模式。我們也可以按下 Esc鍵來退出編輯模式回到只讀模式。在只讀模式中，我們可以通過方向鍵上下來切換Focus的Cell。

Step 4 : 計(jì)算一個(gè)斐波那契數(shù)列

很好，現(xiàn)在你已經(jīng)熟悉了DSW最基本的運(yùn)行Cell的方式，接下來就讓我們編寫一個(gè)簡單的斐波那契數(shù)列計(jì)算的函數(shù)來計(jì)算這個(gè)數(shù)列的第10項(xiàng)。把下方的代碼拷貝到新生成的Cell中即可：

# 計(jì)算第 N 個(gè)斐波那契數(shù)列 的函數(shù) 
 def Fibonacci(n):  
     if n<0:  
         print("異常輸入，請(qǐng)確認(rèn)輸入一個(gè)正整數(shù)")  
     # 第一個(gè)斐波那契數(shù)是 0  
     elif n==1:  
         return 0 
     # 第二個(gè)斐波那契數(shù)是 1  
     elif n==2:  
         return 1 
     else:  
         return Fibonacci(n-1)+Fibonacci(n-2)  
  
 # 計(jì)算第10個(gè)斐波那契數(shù)并打印出來 
 print('第10個(gè)斐波那契數(shù)是:',Fibonacci(10))

同樣，輸入代碼后，我們按下 shift+ enter回車 這兩個(gè)鍵,就可以看到我們的執(zhí)行結(jié)果了，如下圖所示：

??

這樣，你就掌握了DSW最基本的創(chuàng)建Notebook，便攜代碼和運(yùn)行代碼的方式。

四 快速進(jìn)階：PAI-DSW案例實(shí)戰(zhàn)指南

本著理論與實(shí)踐相結(jié)合的方針，本部分將手把手教你從實(shí)戰(zhàn)場景參與進(jìn)來，實(shí)現(xiàn)從入門到快速進(jìn)階。

案例：大數(shù)據(jù)算命系列之用機(jī)器學(xué)習(xí)評(píng)估你的相親戰(zhàn)斗力

"用姓名測試愛情，80%準(zhǔn)確率!俗話說，名如其人，緣分就是人生的后半生，為了尋找真緣分的大有人在，因此也就有了姓名緣分測試。您現(xiàn)在是不是也正在心動(dòng)猶豫，也想要一個(gè)屬于自己的名字配對(duì)緣分測試了呢?那就請(qǐng)您趕緊行動(dòng)吧!" 以上這段話，你一定已經(jīng)在很多個(gè)微信公眾號(hào)、電視節(jié)目，甚至奇奇怪怪的小網(wǎng)站上看到過。

你一定很好奇，這個(gè)緣分測試背后到底是不是有科學(xué)依據(jù)支撐的。

今天，雖然不能直接幫你測試你和某個(gè)特定的人直接的緣分，但是我們可以借助哥倫比亞大學(xué)多年研究相親找對(duì)象的心血，通過幾個(gè)簡單的特征來評(píng)估你的相親戰(zhàn)斗力指數(shù)。

具體模型的測試頁面在這里[1]。在正式開始實(shí)驗(yàn)之前，我們需要尋找一個(gè)簡單好用方便上手的工具，這里推薦阿里云的DSW探索者版[2]，它對(duì)于個(gè)人開發(fā)者是免費(fèi)的，同時(shí)還有免費(fèi)的GPU資源可以使用，同時(shí)實(shí)驗(yàn)的數(shù)據(jù)還會(huì)免費(fèi)保存30天，不需要購買，只要登陸就可以使用。今天我們就會(huì)通過這個(gè)工具來探索人性的奧秘，走進(jìn)兩性關(guān)系的神秘空間嘿嘿嘿。

整個(gè)實(shí)驗(yàn)的數(shù)據(jù)收集于一個(gè)線下快速相親的實(shí)驗(yàn)[3]。在這個(gè)實(shí)驗(yàn)中，參與者被要求參加多輪與異性進(jìn)行的快速相親，每輪相親持續(xù)4分鐘，在4分鐘結(jié)束后，參與者雙方會(huì)被詢問是否愿意與他們的對(duì)象再見面。只有當(dāng)雙方都回答了“是”的時(shí)候，這次相親才算是配對(duì)成功。

同時(shí)，參與者也會(huì)被要求通過以量化的方式從外觀吸引力，真誠度，智商，風(fēng)趣程度，事業(yè)心，興趣愛好這六個(gè)方向來評(píng)估他們的相親對(duì)象。

這個(gè)數(shù)據(jù)集同時(shí)也包含了很多參加快速相親的參與者的其他相關(guān)信息，比如地理位置，喜好，對(duì)于理想對(duì)象的偏好，收入水平，職業(yè)以及教育背景等等。關(guān)于整個(gè)數(shù)據(jù)集的具體特征描述可以參考相關(guān)文件[4]。

本次我們實(shí)驗(yàn)的目的主要是為了找出，當(dāng)一個(gè)人在參加快速相親時(shí)，到底會(huì)有多高的幾率能夠遇到自己心動(dòng)的人并成功牽手。

在我們建模分析探索人性的秘密之前，讓我們先讀入數(shù)據(jù)，來看看我們的數(shù)據(jù)集長什么樣。

import pandas as pd 
 df = pd.read_csv('Speed Dating Data.csv', encoding='gbk') 
 print(df.shape)

通過觀察，我們不難發(fā)現(xiàn)，在這短短的兩年中，這個(gè)實(shí)驗(yàn)的小酒館經(jīng)歷了8000多場快速相親的實(shí)驗(yàn)。由此我們可以非常輕易的推斷出，小酒館的老板應(yīng)該賺的盆滿缽滿(大霧)。

然后從數(shù)據(jù)的寬度來看，我們會(huì)發(fā)現(xiàn)一共有接近200個(gè)特征。關(guān)于每個(gè)特征的具體描述大家可以參考這篇文檔[5]。然后我們?cè)儆^察數(shù)據(jù)的完整度，看看是否有缺失數(shù)據(jù)。

percent_missing = df.isnull().sum() * 100 / len(df) 
 missing_value_df = pd.DataFrame({ 
     'column_name': df.columns, 
     'percent_missing': percent_missing 
 }) 
 missing_value_df.sort_values(by='percent_missing')

通過以上代碼，我們不難發(fā)現(xiàn)，其實(shí)還有很多的特征是缺失的。這一點(diǎn)在我們后面做分析和建模的時(shí)候，都需要關(guān)注到。因?yàn)橐坏┮粋€(gè)特征缺失的數(shù)據(jù)較多，就會(huì)導(dǎo)致分析誤差變大或者模型過擬合/精度下降。看完數(shù)據(jù)的完整程度，我們就可以繼續(xù)往下探索了。

然后第一個(gè)問題就來了，在這8000多場的快速相親中，到底有多少場相親成功為參加的雙方找到了合適的伴侶的?帶著這個(gè)問題，我們就可以開始我們的第一個(gè)探索性數(shù)據(jù)分析。

# 多少人通過Speed Dating找到了對(duì)象 
 plt.subplots(figsize=(3,3), dpi=110,) 
 # 構(gòu)造數(shù)據(jù) 
 size_of_groups=df.match.value_counts().values 
  
 single_percentage = round(size_of_groups[0]/sum(size_of_groups) * 100,2)  
 matched_percentage = round(size_of_groups[1]/sum(size_of_groups)* 100,2)  
 names = [ 
     'Single:' + str(single_percentage) + '%', 
     'Matched' + str(matched_percentage) + '%'] 
  
 # 創(chuàng)建餅圖 
 plt.pie( 
     size_of_groups,  
     labels=names,  
     labeldistance=1.2,  
     colors=Pastel1_3.hex_colors 
 ) 
 plt.show()

??

從上邊的餅圖我們可以發(fā)現(xiàn)，真正通過快速相親找到對(duì)象的比率僅有16.47%。

然后我們就迎來了我們的第二個(gè)問題，這個(gè)比率和參加的人的性別是否有關(guān)呢?這里我們也通過Pandas自帶的filter的方式：

df[df.gender == 0]

來篩選數(shù)據(jù)集中的性別。通過閱讀數(shù)據(jù)集的文檔，我們知道0代表的是女生，1代表的是男生。然后同理，我們執(zhí)行類似的代碼：

# 多少女生通過Speed Dating找到了對(duì)象 
 plt.subplots(figsize=(3,3), dpi=110,) 
 # 構(gòu)造數(shù)據(jù) 
 size_of_groups=df[df.gender == 0].match.value_counts().values # 男生只需要吧0替換成1即可 
  
 single_percentage = round(size_of_groups[0]/sum(size_of_groups) * 100,2)  
 matched_percentage = round(size_of_groups[1]/sum(size_of_groups)* 100,2)  
 names = [ 
     'Single:' + str(single_percentage) + '%', 
     'Matched' + str(matched_percentage) + '%'] 
  
 # 創(chuàng)建餅圖 
 plt.pie( 
     size_of_groups,  
     labels=names,  
     labeldistance=1.2,  
     colors=Pastel1_3.hex_colors 
 ) 
 plt.show()

來找出女生和男生分別在快速相親中找到對(duì)象的幾率的。

女生的幾率：

??

男生的幾率：

??

不難發(fā)現(xiàn)，在快速相親中，女生相比于男生還是稍微占據(jù)一些優(yōu)勢的。女生成功匹配的幾率比男生成功匹配的幾率超出了0.04。

然后第二個(gè)問題來了：是什么樣的人在參加快速相親這樣的活動(dòng)呢?真的都是大齡青年(年齡大于30)嘛?這個(gè)時(shí)候我們就可以通過對(duì)參加人群的年齡分布來做一個(gè)統(tǒng)計(jì)分析。

# 年齡分布 
 age = df[np.isfinite(df['age'])]['age'] 
 plt.hist(age,bins=35) 
 plt.xlabel('Age') 
 plt.ylabel('Frequency')

??

不難發(fā)現(xiàn)，參加快速相親的人群主要是22～28歲的群體。這點(diǎn)與我們的預(yù)期有些不太符合，因?yàn)橹髁魅巳翰⒉皇谴簖g青年。接下來的問題就是，年齡是否會(huì)影響相親的成功率呢?和性別相比，哪個(gè)對(duì)于成功率的影響更大?這兩個(gè)問題在本文就先埋下一個(gè)伏筆，不一一探索了，希望閱讀文章的你能夠自己探索。

但是這里可以給出一個(gè)非常好用的探索相關(guān)性的方式叫做數(shù)據(jù)相關(guān)性分析。通過閱讀數(shù)據(jù)集的描述，我已經(jīng)為大家選擇好了一些合適的特征去進(jìn)行相關(guān)性分析。這里合適的定義是指：1)數(shù)據(jù)為數(shù)字類型，而不是字符串等無法量化的值;2)數(shù)據(jù)的缺失比率較低。

date_df = df[[ 
     'iid', 'gender', 'pid', 'match', 'int_corr', 'samerace', 'age_o', 
        'race_o', 'pf_o_att', 'pf_o_sin', 'pf_o_int', 'pf_o_fun', 'pf_o_amb', 
        'pf_o_sha', 'dec_o', 'attr_o', 'sinc_o', 'intel_o', 'fun_o', 'like_o', 
        'prob_o', 'met_o', 'age', 'race', 'imprace', 'imprelig', 'goal', 'date', 
        'go_out', 'career_c', 'sports', 'tvsports', 'exercise', 'dining', 
        'museums', 'art', 'hiking', 'gaming', 'clubbing', 'reading', 'tv', 
        'theater', 'movies', 'concerts', 'music', 'shopping', 'yoga', 'attr1_1', 
        'sinc1_1', 'intel1_1', 'fun1_1', 'amb1_1', 'attr3_1', 'sinc3_1', 
        'fun3_1', 'intel3_1', 'dec', 'attr', 'sinc', 'intel', 'fun', 'like', 
        'prob', 'met' 
 ]] 
  
 # heatmap 
 plt.subplots(figsize=(20,15)) 
 ax = plt.axes() 
 ax.set_title("Correlation Heatmap") 
 corr = date_df.corr() 
 sns.heatmap(corr,  
             xticklabels=corr.columns.values, 
             yticklabels=corr.columns.values)

??

通過上面這張圖這張相關(guān)性分析的熱力圖，我們可以先關(guān)注一些特別亮的和特別暗的點(diǎn)。比如我們可以發(fā)現(xiàn)，在pf_o_att這個(gè)表示相親對(duì)象給出的外觀吸引力這個(gè)特征上，和其他相親對(duì)象給出的評(píng)分基本都是嚴(yán)重負(fù)相關(guān)的，除了pf_o_fun這一特征。由此我們可以推斷出兩個(gè)點(diǎn)：

• 大家會(huì)認(rèn)為外觀更加吸引人的人在智商，事業(yè)心，真誠度上表現(xiàn)會(huì)相對(duì)較差。換句話說，可能就是顏值越高越浪。
• 幽默風(fēng)趣的人更容易讓人覺得外觀上有吸引力，比如下面這位幽默風(fēng)趣的男士(大霧)：

然后我們?cè)倏纯次覀冏铌P(guān)注的特征 match，和這一個(gè)特征相關(guān)性比較高的特征是哪幾個(gè)呢?不難發(fā)現(xiàn)，其實(shí)就是：

'attr_o','sinc_o','intel_o','fun_o','amb_o','shar_o'

這幾個(gè)特征，分別是相親對(duì)方給出的關(guān)于外觀，真誠度，智商，風(fēng)趣程度，事業(yè)線以及興趣愛好的打分。接下來我們就可以根據(jù)這個(gè)來進(jìn)行建模了。首先我們將我們的特征和結(jié)果列都放到一個(gè)Dataframe中，然后再去除含有空值的紀(jì)錄。最后我們?cè)俜譃閄和Y用來做訓(xùn)練。當(dāng)然分為X，y之后，由于我們?cè)谧铋_始就發(fā)現(xiàn)只有16.47%的參與場次中成功匹配了，所以我們的數(shù)據(jù)有嚴(yán)重的不均衡，這里我們可以用SVMSMOTE[6]來增加一下我們的數(shù)據(jù)量避免模型出現(xiàn)過度擬合。

# preparing the data 
 clean_df = df[['attr_o','sinc_o','intel_o','fun_o','amb_o','shar_o','match']] 
 clean_df.dropna(inplace=True) 
 X=clean_df[['attr_o','sinc_o','intel_o','fun_o','amb_o','shar_o',]] 
 y=clean_df['match'] 
  
 oversample = imblearn.over_sampling.SVMSMOTE() 
 X, y = oversample.fit_resample(X, y) 
  
 # 做訓(xùn)練集和測試集分割 
 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0, stratify=y)

數(shù)據(jù)準(zhǔn)備好之后，我們就可以進(jìn)行模型的構(gòu)建和訓(xùn)練了。通過以下代碼，我們可以構(gòu)建一個(gè)簡單的邏輯回歸的模型，并在測試集上來測試。

# logistic regression classification model 
 model = LogisticRegression(C=1, random_state=0) 
 lrc = model.fit(X_train, y_train) 
 predict_train_lrc = lrc.predict(X_train) 
 predict_test_lrc = lrc.predict(X_test) 
 print('Training Accuracy:', metrics.accuracy_score(y_train, predict_train_lrc)) 
 print('Validation Accuracy:', metrics.accuracy_score(y_test, predict_test_lrc))

??

我們可以看到結(jié)果為0.83左右，這樣我們就完成了一個(gè)預(yù)測在快速相親中是否能夠成功配對(duì)的機(jī)器學(xué)習(xí)模型。針對(duì)這個(gè)模型，數(shù)據(jù)科學(xué)老司機(jī)我還專門制作了一個(gè)小游戲頁面[7]，來測試你的相親戰(zhàn)斗力指數(shù)。

相關(guān)鏈接

[1]https://tianchi.aliyun.com/specials/promotion/dsw-hol?referFrom=alijishu

[2]https://dsw-dev.data.aliyun.com/#/

[3]https://faculty.chicagobooth.edu/emir.kamenica/documents/genderDifferences.pdf

[4]https://pai-public-data.oss-cn-beijing.aliyuncs.com/speed_dating/Speed%20Dating%20Data%20Key.doc

[5]https://pai-public-data.oss-cn-beijing.aliyuncs.com/speed_dating/Speed%20Dating%20Data%20Key.doc

[6]https://imbalanced-learn.readthedocs.io/en/stable/generated/imblearn.over_sampling.SVMSMOTE.html

[7]https://tianchi.aliyun.com/specials/promotion/dsw-hol?referFrom=alijishu

【本文為51CTO專欄作者“阿里巴巴官方技術(shù)”原創(chuàng)稿件，轉(zhuǎn)載請(qǐng)聯(lián)系原作者】

??戳這里，看該作者更多好文??