妹子如何运用R语言数据分析选择心仪的对象?

前提假设

  • 妹子们一生中可以遇到100个追求者,追求者的优秀程度符合正态分布;
  • 每个妹子都具备判断并比较追求者优秀程度的能力;
  • 接受或拒绝一个追求者后永远无法后悔。

那么,问题来了

男神这么多,当遇到选择困难症时,如何选择才能获得最优结果?

如果人的优秀程度符合均值为80,方差20的正态分布,随机产生100个追求者,其优秀程度分布情况见下图:

p=rnorm(100,80,20)
hist(p,main="追求者--统计", ylab="数量", xlab="优秀程度",
     col=rainbow(50))
boxplot(p,col="red",lwd=2)

条形图显示了追求者的初始状态,盒装图显示的是大多数妹子所接受的追求者的能力情况。通过分布图可以看出,大多数理性人只能选择那些优秀程度在80左右的追求者。

下面介绍选择方法

首先,为了不错过在未来可以接受更优秀的追求者,理性的妹子会拒绝最早的一批追求者,并且采用第一批追求者做样本量k,理性地判断出追求者中最优秀的一位,其优秀程度记作y。然后,当遇到新追求者的时候,将追求者的优秀程度与y进行比较,优于y则选择接受,否则继续等待新的追求者;若新追求者的优秀程度始终小于y,则选择做剩女。

如何求出最优的样本量k?

如果最优秀的追求者出现在第i个位置(k < i ≤n),其中k、n为大于0的固定值。要想让第i个出现的他成功被妹子接受,就必须得满足前 i-1 任意一个位置出现的追求者被拒绝,这有ki−1ki−1的可能。考虑所有可能的i,我们便得到了试探前 k 个追求者之后能选中最佳追求者的总概率 P(k):

P(k)=∑i=k+1n1n⋅ki−1=kn∑i=k+1n⋅1i−1P(k)=∑i=k+1n1n⋅ki−1=kn∑i=k+1n⋅1i−1

用 x 来表示 k/n 的值,并且假设 n 充分大,则上述公式可以写成:

P(k)=x∫1x1tdt=−xlnxP(k)=x∫x11tdt=−xlnx

对-xlnx求导,并令这个导数为0,可以解出x的最优值,它就是欧拉研究的神秘常数的倒数e−1e−1,则样本k=n⋅x=e−1k=n⋅x=e−1。即当预计总追求者人数为100的时候,应先拒绝掉前100e−1=37100e−1=37个人,用来做追求者样本。

sIdo=N=numeric()for (i in 1:100){
  p=rnorm(100, 80, 20)
  pm=max(p[1:37])  for(i in seq(37,100)){  
    if(p[i]>pm){   
      Ido=p[i]    
      n=i    
      break}  
    else Ido=0;n=101}
  sIdo=c(sIdo,Ido)
  N=c(N,n)}
sum(N==101)/100  #剩女比例

图3、图4代表按照此种选择方法,重复100次实验(100个妹子)得到的追求者分布状态,通过条形图可以看出,60%的妹子成功找到如意郎君,被接受的追求者优秀程度在100以上;其余40%的妹子们,由于在第一批追求者当中拒绝掉了最优秀的那位,无奈选择做剩女。

plot(N,sIdo,pch=20,main="追求者散点图", ylab="优秀程度", xlab="接受时机",col=rainbow(80),cex = 1.5)
points(101,0,pch=20,col="#32CD32",cex = 2)
text(95, 1, "剩女101",cex = .8)

追求者散点图可以看出,比较优秀的追求者且被接受时,其排位在100位当中的50位左右的概率最大,即追妹子的最好时机不是越早越好。

综上所诉,可以得出如下结论:

  • 样本人数最优值为样本总量的37%;
  • 比较优秀的追求者成功追到妹子的概率在60%左右;
  • 优秀者的最佳出现时机为中间偏后位置。


原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2016-09-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏软件测试经验与教训

python 游戏编程 大鱼吃小鱼

3615
来自专栏CVer

免费资源 | 机器学习 新手快速入门

昨天正式开启了CVer免费赠书:送7本实体书(包邮) 活动,其中、有 4种赠书方式,Amusi也觉得赠的书不多,反而赠书方式多了,甚至觉得自己往营销方面跑了。因...

1012
来自专栏奇点大数据

公平的决断——扔硬币

排列组合是我们在这本书中接触到的第一个概率论概念,也是我们在高中学过的一个概率学的入门概念。 概念记不清了也不要紧,我们回忆一下在中学学过的排列组合都有哪些经典...

3197
来自专栏牛客网

腾讯实习春招-机器学习岗-一面

应用研究-机器学习岗-一面 (总结:全程一小时整;面试官很强我再次认清了自己的下限;抓简历问的很细;你知道的他不会问的,你不知道的他就会问的,所以你要什么细节都...

3225
来自专栏养码场

最系统,最通俗易懂的“深度学习”干货送上!看完这些,绝对让你搞懂深度学习!

要说深度学习的学习资料,场主不得不推荐一份300多页的PPT,是台湾李宏毅教授所写。这份PPT有一个极其标题党的名字,叫《1天搞懂深度学习》,莫不说李教授是被深...

632
来自专栏量子位

AI何时能懂环境会沟通?别急,这个“你说我画”小游戏开了个好头 | 论文

安妮 夏乙 编译整理 量子位 出品 | 公众号 QbitAI 晚上9点,一下午开了3个会的你终于回到家,换了衣服瘫倒在沙发里。放空了三分钟之后,你缓过神来,喊了...

2435
来自专栏PaddlePaddle

【PaddlePaddle视频新课】之机器翻译

PaddlePaddle之语义角色标注 http://bit.baidu.com/course/detail/id/179/column/117.html

762
来自专栏量化投资与机器学习

【RL前沿】深度强化学习的最新进展

今天编辑部给大家带来的是加州大学伯克利分校的深度强化学习公开课系列。 作者:Volodymyr Mnih Google DeepMind科学家。 在Geoffr...

23910
来自专栏玉树芝兰

如何用Python做情感分析?

商品评论挖掘、电影推荐、股市预测……情感分析大有用武之地。本文帮助你一步步用Python做出自己的情感分析结果,难道你不想试试看?

512
来自专栏大数据挖掘DT机器学习

python机器学习入门资料梳理

在python基本语法入门之后,就要准备选一个研究方向了。马上就要进行春季实习招聘了,加油!总结一下python机器学习方面的资料吧。 1、数据处理 1....

2655

扫描关注云+社区