《实战！用AI预测你找老婆的成功率》 Python机器学习

#AI相亲分析#

2025年，我国单身男女总人数已突破2.4亿,在所有单身男女中，通过相亲结识并步入婚姻的人群比例约占30%，而通过自由恋爱进入婚姻的比例则达到50%，剩余的20%则选择保持单身或暂时不考虑婚姻。

另外有数据显示：2025年已有超过40%的相亲用户使用了类似DeepSeek的人工智能工具，其中，使用这些工具成功脱单的比例高达65%，显著高于传统相亲方式的成功率（约为35%）。

接下来，我将使用实际例子，通过人工智能机器学习算法，模拟AI是如何预测相亲成功率的。

一：采集数据

首先，我们需要准备一份相亲成功率的数据，类似deepseek这样的大模型也是根据网上的数据进行总结之后，才能得出预测结果。

下面我将30年来我的相亲记录给大家奉献出来。数据如下：

这张图片的主要要素有：

('house', '是否有房(0/1)'), ('car', '是否有车(0/1)'), ('appearance', '长相(1-10)'), ('family_status', '家庭情况(1-10)'), ('parents_status', '父母情况(1-10)'), ('lifestyle', '生活习惯(1-10)'), ('education', '教育程度(1-6)'), ('personality', '性格(1-10)'), ('interests', '兴趣(1-10)')

最终得到的结果是成功为1，失败为0.

举个例子，我相亲的第一次数据，大家看第一行。

房子：有

车子：无

长相：7分

家庭条件：6分

父母健康状态：8分

生活习惯：5分

教育程度：大学

性格：7分

兴趣爱好：6分

是否成功：成功

OK，数据准备完毕，这份数据比较完整，可以直接进行训练。

二，建立模型

接下来就需要选择模型和算法了。我问deepseek，他说根据这份数据的特点，使用随机森林比较合适。

开始写代码：

首先是加载数据：

# 读取数据 data = pd.read_csv('data.csv') # print(data) # 数据预处理 data.fillna(data.mean(),inplace=True)

第二步：划分训练集

# 划分训练数据和测试数据 x = data.drop('success',axis=1) y = data['success'] # 开始划分 x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=42)

第三步：选择合适的模型进行训练

# 使用随机森林训练 rf = RandomForestClassifier(n_estimators=100,random_state=42) rf.fit(x_train,y_train)

第四步：测试结果集

# 使用测试数据进行预测 y_pred = rf.predict(x_test) # 将预测的数据进行对比,得到准确率 y_res = accuracy_score(y_test,y_pred) print('准确率为:',y_res) y_rep = classification_report(y_test,y_pred) print('详细报告\n',y_rep)

第五步：使用自身的结果进行预测：

# 使用自身实际数据进行预测 my_data = pd.DataFrame({ 'house':[0], # 是否有房0无,1有 'car':[0], # 是否有车0无,1有 'appearance':[8], # 颜值,1-10分 'family_status':[2], # 家庭情况1-10分 'parents_status':[2], # 父母情况1-10分 'lifestyle':[2], # 生活习惯1-10分 'education':[4], # 教育情况1-6 ,1 小学 6 博士 'personality':[6] , # 性格 1-10 'interests':[2] # 兴趣 1-10 }) print('=====================预测结果=========================') # 预测结果 result = rf.predict(my_data) if result[0]==1: print('恭喜,牵手成功') else: print('下次再遇见更好的')

经过训练和测试，模型基本正确

通过对以上数据的分析，我发现性格的权重非常大，只要性格为8分，车和房子都可以不需要也可以相亲成功，你觉得是不是这样呢？

三，制作相亲预测界面

接下来，考虑使用qt5制作一个相亲预测的界面，方便不熟悉写代码的朋友进行预测。

最终代码如下：

import sys from PySide6.QtCore import QSize from PySide6.QtWidgets import (QApplication, QWidget, QLabel, QLineEdit, QPushButton, QGridLayout, QMessageBox) import pandas as pd from PySide6.QtGui import QMovie from sklearn.ensemble import RandomForestClassifier # 假设你使用的是随机森林模型 import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score from sklearn.model_selection import train_test_split class PredictionUI(QWidget): def __init__(self): super().__init__() self.initUI() def initUI(self): # 创建网格布局 grid = QGridLayout() self.setLayout(grid) # 创建标签和输入框 self.inputs = {} features = [ ('house', '是否有房(0/1)'), ('car', '是否有车(0/1)'), ('appearance', '长相(1-10)'), ('family_status', '家庭情况(1-10)'), ('parents_status', '父母情况(1-10)'), ('lifestyle', '生活习惯(1-10)'), ('education', '教育程度(1-6)'), ('personality', '性格(1-10)'), ('interests', '兴趣(1-10)') ] # 添加标签和输入框到网格布局 for i, (key, label_text) in enumerate(features): label = QLabel(label_text) input_field = QLineEdit() self.inputs[key] = input_field grid.addWidget(label, i, 0) grid.addWidget(input_field, i, 1) # 添加预测按钮 predict_btn = QPushButton('进行预测', self) predict_btn.clicked.connect(self.predict) grid.addWidget(predict_btn, len(features), 0, 1, 2) # 添加结果标签 self.result_label = QLabel('') grid.addWidget(self.result_label, len(features) + 1, 0, 1, 2) # 设置窗口 self.setGeometry(300, 300, 400, 700) self.setWindowTitle('婚恋匹配预测系统') self.show() def predict(self): try: # 创建特征名称的中文对照表 feature_names = { 'house': '是否有房', 'car': '是否有车', 'appearance': '长相', 'family_status': '家庭情况', 'parents_status': '父母情况', 'lifestyle': '生活习惯', 'education': '教育程度', 'personality': '性格', 'interests': '兴趣' } for feature, input_field in self.inputs.items(): value = input_field.text().strip() if not value: QMessageBox.warning(self, '警告', f'{feature_names[feature]} 不能为空！') return try: float(value) except ValueError: QMessageBox.warning(self, '警告', f'{feature_names[feature]} 必须是数字！') return QMessageBox.information(self, '提示', '开始预测') # 获取输入值 input_data = {} for key, input_field in self.inputs.items(): value = float(input_field.text()) input_data[key] = [value] # 创建单值列表 # 创建DataFrame df = pd.DataFrame(input_data) # 调用训练好的模型 pre= xiangqinPredict(df) if pre: prediction = "匹配成功" movie = QMovie("./img/heart.gif") # 确保gif文件在正确的路径下 else: prediction = "匹配失败" movie = QMovie("./img/fail.gif") # 确保gif文件在正确的路径下 print(prediction) # 显示结果 # self.result_label.setText(f'预测结果: {prediction}') # 设置gif大小（可选） movie.setScaledSize(QSize(400, 400)) # 设置gif显示大小为100x100像素 # 在标签中显示gif self.result_label.setMovie(movie) movie.start() # 开始播放gif except ValueError: QMessageBox.warning(self, '错误', '请确保所有输入都是有效的数字！') except Exception as e: QMessageBox.warning(self, '错误', f'发生错误: {str(e)}') # 根据数据进行预测 def xiangqinPredict(data): # 使用pd读取data.csv文件 df = pd.read_csv('data.csv') # 填充缺失值,使用各列平均值填充空值 df.fillna(df.mean(), inplace=True) # 删除数据集中的'success'列 x=df.drop('success', axis=1) y=df['success'] # 将数据集分为训练集和测试集 x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42) print(x_train) # 创建一个随机森林分类器rf rf = RandomForestClassifier(n_estimators=100, random_state=42) # 训练 rf.fit(x_train, y_train) # 使用训练好的模型对测试集（X_test）进行预测 x_pre = rf.predict(x_test) print(x_pre) accuracy_ = accuracy_score(y_test, x_pre) print('准确度', accuracy_) simple_pred = rf.predict(data) if simple_pred[0] == 1: return True else: return False if __name__ == '__main__': app = QApplication(sys.argv) ex = PredictionUI() sys.exit(app.exec())

界面如下：

这是预测成功的界面。

这是失败的界面，我只调整了性格，其他都没动。

四，总结

通过预测模型

反常识发现：

有房有车仅排第5位（12.1%）

兴趣匹配度重要性不足8%

个人性格占60%的比重，说明个人魅力太重要。

数据采集：

大模型可以采集很多人的数据，数据越真实，得到的结果越准确，以上是根据我的30次相亲经验进行训练，结果仅供参考。

以上，分享给需要的朋友！感谢支持！期待你的点赞关注。