相亲网站数据预测实战：用Python随机森林模型判断‘见面意愿’全流程解析
周末和朋友闲聊时，他提到最近在相亲网站上遇到个有趣现象：有些条件不错的男士总被拒绝见面，而部分条件平平的却总能获得约会机会。这让我想到——能否用数据科学的方法，帮相亲网站用户预测对方的见面意愿？今天我们就用Python的随机森林算法，结合真实场景数据，构建一个"见面意愿预测器"。
这个项目特别适合想通过有趣案例学习机器学习的朋友。我们将从数据清洗、特征工程开始，一步步完成模型训练与评估，重点解决三个实际问题：如何避免因数据划分不当导致的"虚假高准确率"、如何解读模型输出的概率而不仅是0/1结果、怎样通过混淆矩阵分析"误判"和"错过"两种错误的实际影响。
1. 项目准备与数据理解
首先需要明确我们的预测目标：根据用户填写的个人资料特征（如年龄、收入、身高等），预测对方是否愿意线下见面。这里用到的模拟数据集包含以下关键字段：
| 特征字段 | 类型 | 说明 | 示例值 |
|---|---|---|---|
| age | 数值型 | 用户年龄 | 28 |
| height | 数值型 | 身高(cm) | 180 |
| income | 数值型 | 年收入(万元) | 18 |
| education | 类别型 | 学历编码(0-2) | 2(硕士) |
| is_meet | 二元型 | 目标变量(0:不愿,1:愿) | 1 |
安装必要库：
pip install scikit-learn pandas numpy matplotlib基础数据预处理代码：
import pandas as pd from sklearn.preprocessing import MinMaxScaler # 加载模拟数据集 data = pd.read_csv('dating_data.csv') # 处理缺失值 data.fillna({ 'income': data['income'].median(), 'height': data['height'].mean() }, inplace=True) # 特征归一化 scaler = MinMaxScaler() data[['age', 'height', 'income']] = scaler.fit_transform(data[['age', 'height', 'income']])2. 构建随机森林模型
随机森林作为集成学习方法，特别适合处理这类包含数值型和类别型混合特征的数据。其核心优势在于：
- 自动处理特征间的非线性关系
- 对异常值和过拟合有天然鲁棒性
- 提供特征重要性排序
模型训练完整流程：
from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split # 定义特征和目标变量 X = data[['age', 'height', 'income', 'education']] y = data['is_meet'] # 数据划分(注意stratify参数保持类别比例) X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y) # 初始化模型(调整关键参数) model = RandomForestClassifier( n_estimators=150, max_depth=5, min_samples_split=10, class_weight='balanced' ) # 训练模型 model.fit(X_train, y_train)提示：设置
class_weight='balanced'可自动处理样本不均衡问题，这在相亲数据中很常见（通常拒绝见面的样本更多）
3. 模型评估与结果解读
准确率(accuracy)常被新手过度依赖，但在实际相亲预测场景中，我们需要更细致的评估维度：
3.1 概率输出 vs 硬分类
# 获取测试集的概率预测 probabilities = model.predict_proba(X_test)[:, 1] # 转换为不同阈值下的分类结果 threshold = 0.6 # 可调整的决策阈值 custom_pred = (probabilities > threshold).astype(int)3.2 混淆矩阵深度分析
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay cm = confusion_matrix(y_test, custom_pred) disp = ConfusionMatrixDisplay(confusion_matrix=cm) disp.plot()假设我们得到如下混淆矩阵：
| 预测拒绝 | 预测接受 | |
|---|---|---|
| 实际拒绝 | 85 | 15 |
| 实际接受 | 20 | 80 |
这里需要特别关注两类错误：
- False Positive(15)：预测对方会见面但实际被拒（浪费时间和感情）
- False Negative(20)：错过可能成功的见面机会（潜在损失）
3.3 特征重要性可视化
import matplotlib.pyplot as plt features = X.columns importances = model.feature_importances_ plt.barh(features, importances) plt.xlabel('Feature Importance') plt.ylabel('Features') plt.show()4. 实战优化策略
在实际应用中，我们发现几个关键改进点：
4.1 动态阈值调整根据用户风险偏好调整预测阈值：
- 保守型：提高阈值(如0.7)，减少被拒风险
- 开放型：降低阈值(如0.5)，增加机会数量
4.2 特征工程增强
- 创建组合特征：如收入/年龄比
- 分段处理：将年龄划分为不同人生阶段
- 文本特征：个人简介的NLP处理（需额外数据）
4.3 模型集成方案
from sklearn.ensemble import StackingClassifier from sklearn.linear_model import LogisticRegression # 定义基模型 estimators = [ ('rf', RandomForestClassifier(n_estimators=100)), ('lr', LogisticRegression()) ] # 元模型使用逻辑回归 stacking_model = StackingClassifier( estimators=estimators, final_estimator=LogisticRegression() ) stacking_model.fit(X_train, y_train)5. 业务场景落地建议
将这个预测模型整合到相亲平台，可以考虑以下应用方式：
智能推荐系统
- 为高见面意愿匹配对优先推荐
- 根据预测结果优化消息发送时机
用户画像优化
- 通过特征重要性指导资料完善
- 识别关键影响因素制作"吸引力报告"
分级服务体系
def get_service_level(prob): if prob > 0.8: return 'VIP优先推荐' elif prob > 0.6: return '标准推荐' else: return '资料优化建议'
实际部署时还需要考虑：
- 数据隐私保护
- 模型定期更新机制
- 用户反馈闭环系统
在真实项目中，我们发现收入特征并非线性影响结果——存在一个"甜蜜点"（约20-40万区间最佳），这与单纯认为"收入越高越好"的直觉相左。同时，教育程度的影响呈现明显的分段特征，硕士学历在多数情况下确实更具优势，但博士学历反而在某些年龄段出现负面效应。
