【阿里天池算法学习赛】测测你的一见钟情指数

地址：/competition/entrance/531825/introduction?spm=5176.12281973.0.0.4c883b74SwHDoH

性格判断，职业预测，恋爱指数……你一定在各种网页或微信公众号里接触过此类的测试小游戏。只需要回答几个简单的问题，长篇大论的分析文章就被甩到你脸前，说得头头是道，看起来也有那么几分道理。在信息时代的大背景下，利用数据分析来实现人格测试早已屡见不鲜。

赛题背景

“在2002年-期间，Ray Fisman教授和Sheena Iyengar教授在筹备论文时，邀请志愿者参加闪电速配实验(相亲车轮战，每4分钟与一名相亲对象快速沟通，然后再换下一个相亲对象)，提供一些相关的个人信息给相亲对象，并询问相亲对象给出是否愿意在不久的未来再次见面。本次学习赛的分析数据，记录了当时一见钟情相亲实验时，志愿者的相关信息及相亲结果。”

选手可以针对数据集不同字段间的相互影响进行分析，训练一个机器学习模型，去预测实验人身上一个或多个特性对其相亲成功与否的影响。也就是利用其它特征信息，预测数据集中的“match”字段的结果，1=成功，0=不成功。

解题思路：

丢弃缺失率大的数据、填充缺失率小的数据、线性降维+非线性降维、设计模型、训练、预测

1、数据预处理

def missing(data,threshold,dropna = False):# 第三个参数为是否把有缺失数据的样本也删除percent_missing = data.isnull().sum() / len(data)# 统计缺失情况missing = pd.DataFrame({'column_name': data.columns, 'percent_missing': percent_missing})# 要删除处理的数据out = missing[missing['percent_missing']>threshold]# 把缺失率大于阈值的列删了data_new = data.drop(out['column_name'], axis=1).dropna() if dropna elsedata.drop(out['column_name'], axis=1)return data_new

这里我做了三轮处理，第一轮把缺失率大于百分之50的数据删除，第二轮均值填充缺失率小于百分之50的样本，第三轮做个缺失检查，把不能填充的样本整行删除。

data = pd.read_csv('./data/speed_dating_train.csv')data = missing(data, 0.5)data.fillna(data.mean(), inplace=True)data = missing(data, 0, True)

2、数据降维

原始数据是有180多个特征，经过预处理后剩下130个特征，但往往很多特征与是否能匹配成功并没有关系，例如参加者的 id。有一些特征则和是否能匹配成功有着较高的相关性，例如收入等。

因为考虑到样本比较多，且恋爱本来就是比较玄幻的东西，所以非线性降维我用了皮尔逊相关系数把与label相关性的绝对值大于0.15的特征提取出来。

corr = data.corr('pearson')# 这一行是用来创建一个布尔矩阵的，其中每个元素表示两个变量之间的相关系数是否大于0.15（绝对值）。如果是，那么对应的元素为True，否则为False。这样可以筛选出相关性较强的变量对bool_matrix = (corr.abs() > 0.15)# 这里使用的是条件选择，也就是只保留那些与’match’列相关系数大于0.15的列。这样可以减少数据框中的维度，只保留与目标变量（‘match’）相关性较强的变量。data = data_new.loc[:, bool_matrix.loc['match']]

本来还打算PCA进行线性降维，但打印出来发现，剩下16个特征，所以我觉得不做也行

print(data.shape)

3、设计模型&训练

import torch.optim as optimfrom torch.utils.data import TensorDataset, DataLoaderimport pandas as pd

训练集/验证集

相亲匹配成功与匹配失败的样本分布不均，正负样本比约为1：5，所以要对训练集扩容，扩容方法我选择了简单的复制粘贴。

device = torch.device("cuda:0" if torch.cuda.is_available() else 'cpu')# 训练集取前面6500个样本，剩下1700多个样本做验证集train_data = data[0:6500]test_data = data[6500:]# 将训练集正样本复制4份positive_samples = train_data[train_data['match'] == 1].copy()positive_samples = pd.concat([positive_samples] * 4)train_data = pd.concat([train_data, positive_samples])# 对数据集进行打乱，保证样本顺序随机train_data = train_data.sample(frac=1).reset_index(drop=True)

转换为tensor

train_X = train_data.drop('match', axis=1)train_y = train_data['match']test_X = test_data.drop('match', axis=1)test_y = test_data['match']test_X = torch.from_numpy(test_X.to_numpy()).float().to(device)test_y = torch.from_numpy(test_y.to_numpy()).float().to(device)train_X = torch.from_numpy(train_X.to_numpy()).float().to(device)train_y = torch.from_numpy(train_y.to_numpy()).float().to(device)# 打包成小批量随机梯度下降dataset = TensorDataset(train_X, train_y)dataloader = DataLoader(dataset, batch_size=30, shuffle=True)

模型设计/训练

# 三层神经网络，逻辑回归模型model = nn.Sequential(nn.Linear(16, 64),nn.ReLU(),nn.Linear(64, 1),nn.Sigmoid()).to(device)# 优化器随机梯度下降optimizer = optim.SGD(model.parameters(), lr=0.01)# 损失函数二元交叉熵criterion = nn.BCELoss()# 模型权重初始化def init_weights(m):if type(m) == nn.Linear:nn.init.normal_(m.weight, std=0.01)model.apply(init_weights)# 训练模型epochs = 60for epoch in range(epochs):for X, y in dataloader:# 前向传播，得到预测值y_pred = model(X)# 计算损失值loss = criterion(y_pred.squeeze(), y)# 反向传播，计算梯度loss.backward()# 更新参数optimizer.step()# 清零梯度optimizer.zero_grad()# 每10轮打印一次损失值if (epoch + 1) % 10 == 0:print(f'Epoch {epoch + 1}, Loss: {loss.item():.4f}')

4、测试模型

# 计算准确率函数def accuracy(y_pred, y_true):y_pred = y_pred.squeeze()y_true = y_true.squeeze()correct = torch.eq(y_pred, y_true).float()acc = correct.sum() / len(correct)return accwith torch.no_grad(): # 不需要计算梯度y_pred = model(test_X)y_pred = y_pred.round() # 将预测值四舍五入为0或1acc = accuracy(y_pred, test_y)print(f'Accuracy: {acc:.4f}')

结果：

Epoch 20, Loss: 0.0105Epoch 40, Loss: 0.0041Epoch 60, Loss: 0.0017Accuracy: 1.0000

5、保存数据&提交

# 同样的方法预处理data2data2 = pd.read_csv('./data/speed_dating_test.csv')data2 = missing(data, 0.5)data2.fillna(data2.mean(), inplace=True)data2 = missing(data2, 0, True)data2 = torch.from_numpy(data2.to_numpy()).float().to(device)# data2是没有'match'字段的，所以可以不用分离出来predict_test = model(data2)predict_test = predict_test.round().cpu()predict_list = predict_test.squeeze().tolist() # 将张量转换为列表predict_int = [int(x) for x in predict_list] # 将列表中的每个元素转换为int# 提交要按照官方给出的格式，所以把sample导入进来，替换sample的'match'字段即可save = pd.read_csv('data/sample_submission.csv')save['match'] = predict_int# 保存save.to_csv('data/predict_submission.csv', index=False) # index=False表示不写入行索引

提交文件，获得成绩与排名