数据分析—问卷调查从模型到算法

每个人心中都有一个完美的另一半，如何去找到这个自己心中最认可的另一半，在慢慢人生旅途中，我们所经历过的事情，都在影响着我们的决定，影响着我们对另一半的选择，这将是一个重大的问题，关乎着自己未来的无论是物质还是精神上的幸福。这不仅仅是一个运气的问题，还包含着巨大的人生智慧在其中，用你独具慧眼的原则和标准去判断。那么如何在长长的时间轴上判断最优秀的另一半是否出现了呢？是否其中也有哲学在其中呢？是否有量化的策略使得我们成功的几率更大呢？

2.模型始于假设：

假设1：一切皆可量化，两个人在一起取决于价值，外貌、性格、潜力甚至于感情责任等等都可以被量化，最终形成一个人的基本属性——价值，价值越高则越优秀，选择最优秀的人为伴侣；

假设2：基于时间序列，每接触一个人在经历一段时间相处之后不具有可回溯性(即不考虑惊天大逆转，突然屌丝变高帅富)，再次和前任谈的时候，考虑到人总是成长的，前任以新的价值属性出现，作为挑选方，对方价值的评估以当时那个时间节点不可变(人总会成长，虽然过去的认知的价值在当前可能被贬低，但被估值的人也会成长)，对于价值的评估不会失误到有近乎于极端异常值的判断，在时间轴上异性有先后顺序；

假设3：挑选是单向的，每个人都在寻找心中最高价值的TA，并且知道会遇到多少个异性

模型的量化好坏取决于算法的优劣、假设的合理性，基于以上假设，去推导其中算法：

现在我们的男主，在时间轴上他会遇到N个我们的女主，男主要挑到最优秀的真命女主，假定处于第i个女主是真命女主，为了遇到这个这个真命女主，男主需要去接触k次女主，作为对女主价值的认知，以便进行判断对真命女主的价值的benchmark认知：

第一步：第i个女主是真命女主，那么概率是1/N。

第二步：benchmark的意义在与，前i个女主中，比第i个真命女主价值小的次最大价值女主出现在试探性的1到k个女主中，概率为k/(i-1)，这个次最大价值女主为什么不是全域上的最大女主，因为我们遇到了第i个时，第i个女主是假定的最大价值女主，我们不需要i+1到N去挑了。同样的道理，一旦男主接触试探了k个女主，次最大价值女主在1到k时，那么k到i-1女主自然是不用再看了，第一个比1到k中出现的次最大女主价值大的就是真命女主。

那么男主试探k个女主找到真命的概率就是：

3.结论分析

综上可得，目标函数可用。对目标函数求导，发现x=1/e时，一阶导数为0，x<1/e时导数为正，x>1/e时则为负，故而目标函数收敛于x=1/e。代入x=1/e，得到

也就是说，当x=1/e的时候，在我们的男主试探(认识了N*个女主)有最大的概率即约为37%的概率遇到我们的真命女主——那个我们男主最想要的的女主。从理论模型我们回到现实，也即是说当我们的男主在时间序列上遇到了100个女主(N=100)，那么我们的男主要认识37次女主(k=37,)，以进行判断真命女主，在37次接触中，只要碰到从第37个开始，比前36个价值最高的女主还高，那么该女主就以最大可能性成为我们的最高价值女主。那么这就是你最认可的另一半了。

实际生活中，我们打交道的女生其实远没有那么多，所以当我们认识几个女生以后就开始“收敛”了，从心里我们就认定彼此了。上述算法的结论一般性意义在与：                         

1.假如你对未来伴侣特别挑剔，那你起码应该适量的多认识几个，尤其是对于那些身边异形很多的朋友，想要遇到自己中意的，可能就需要更多才能有一个比较理性的判断；

2.从“收敛”性看出，不是认识的异形越多越多就会遇到更优秀的人，往往越到最后就会成空。成为一个人的初恋意味着成为别人的“收敛”节点可能性更大，假如你还可以重新加入TA的挑选队列，反言之初恋往往没有好下场也是同样的道理，人是会变的，价值观自然也会变；

3.因为资源有限，好的总是出手或者被出手快，导致身边的异性偏少，越优秀的会越快“收敛”；反言之越优秀可能最后就剩了下来，这是两个极端情况，实际生活中并不少见，晚点结婚对于现代更开放的年轻人来说也是有优势的，处于中间则是最惨的——所以这大约也是被逼婚的重要原因。

更多的结论在实际调查中是有待调研得出的......

我们要做的是能以最大化的几率遇到最优秀的人，以最高的效率遇到你最中意的人，然后就放手去追TA吧！当然，也要去认识到模型的短板，毕竟找到另一半是一个涉及方方面面，是个极为复杂的问题。假设1缺陷在与量化的困难，一个人的价值不是裸露在外面就可以看到的，不然也不会有这么多遇人不淑；假设3的缺陷在与如何去确认N值的大小，虽然一个时期内经过一定时间的沉淀，身边的异性是差不多固定的......这些都不用去管，重要的是模型通过了，只需要添加一些问题：你身边的异性朋友有多少？你的性格是外向、一般、宅男？等等这些问题，只要人们对美的向往心无限，那么我的模型和算法就有可取之处。

从上述模型和算法，我们要知道，做数据分析和数据挖掘必须有着对数据的敏感性，假如过去曾经发生的事对于未来没有任何影响的话，那么TA一定是失败的，我觉得对于任何其他职业也是一样。在真正的数据挖掘和分析师看来，将来的事从来都不是随机，发生过的事情进过一定的“惩罚机制”去放大效果，对于将来的影响是巨大的。一定几率的事可以代表着将近绝对的概率发生，这并不是一句矛盾的话。这正是机器学习的核心所在，细小的变动，于细枝末节处慢慢的体现出对最终结果的影响，发生过的数据一点点的推进学习的步伐，最后就能学习到一定规律的东西。