如何预测未知性别？

“ 带你手撕代码。 我不知道读这篇文章需要多长时间。不管怎样，这有点长。这取决于你的理解能力。“接下来是“数据与广告系列10：打开机器学习之路”。我们打开了数据与广告系列机器学习相关的章节。我们了解到，在整个广告系统过程中，如果你愿意，几乎每个环节都可以完美地嵌入机器学习。然而，在最后一篇文章中，我们没有触及任何关于算法实践和代码着陆的事情，总是停留在场景和少量理论的维度上，甚至可以说任何非技术人员都能理解。我的微信签名是“Talkischeap，showmethedata标准翻译是“不要拉那么多鸡蛋，用数据说话”。今天我们不showdata，我们来撕代码，也许撕了，那些看似困难的东西我们就明白了。01、在最后一篇文章中，我们提到了机器学习的应用场景，即定向标签的挖掘，而性别标签是所有广告平台中最基本、最常用的定向标签。如下图所示，这是腾讯广点通平台上创建广告、设置定向条件时可以看到的界面。对于性别标签，这是所有广告平台的标准，因为它是标准的，这意味着它是一种常见的能力，所以有必要确保完整的覆盖，标签是准确的。然而，并不是所有的平台都有准确的原始性别数据。我目前能想到的唯一平台是银行系统。毕竟，没有身份证你什么也做不了。既然你有身份证，你就有性别标签。就像腾讯这么大，但并不是所有的商业场景都需要用户授权身份证号码，毕竟，这是一个非常私人的信息，非常规的场景不能使用。因此，同样也面临着如何用性别标签覆盖所有用户的问题，更不用说其它平台了。对于所有的广告平台，显性增加可靠性别覆盖，一方面是创建一些合理的业务场景，以确保获得最准确的身份证信息，如成瘾，你总是证明你是成年人，做信用评估，总是有官方认可的真实身份，等等。另外，合法的第三方数据来源，这个就不深入展开了。但无论如何，还是那句话，除了银行，这个问题都要解决。因此，必然会面临如何预测未知性别的问题。在每个平台系统中，您总是可以通过上述方式获得部分或大部分明确性别的数据，即已知标记的样本。通过对未知的已知预测，对学习问题进行非常标准的监督，或者对分类模型的机器学习问题进行典型的归属。02、手工撕裂数据源。我们的第一个场景是预测性别，获取标记的性别数据，然后获取用户对应的各个维度的数据作为特征，最终预测可靠的结果。对于各大平台来说，如果体积足够大，方式正确，总能找到很多性别差异明显(差异大，预测可行性增加)的行为特征。对我们来说，为了更好地撕开代码，我们需要找到尽可能合理和看似真实的数据。我从kagle上找到了两个与性别预测有关的脱敏数据，*的人数超过数百。一个是talkingdata之前提供的数据，包括用户性别标志、各种用户起卸停APP的行为数据、相关APP类别数据等。如果你想搜索，直接搜索“TalkingDataMobileUserDemographics”即可。但是我没有使用这些数据，尽管下意识地认为这些数据会非常可靠，but，大达5GB，我的小阿里云机，绝壁跑不动，还有跑模型训练。所以我选择了另一个数据，kagle搜索“twitter-user-gender-classification由参赛者提供的脱敏twitter性别分类数据，看名字就可靠了。然而，在实际使用和阅读评论后，它似乎真的不可靠，质量有点令人担忧。总共有2万多个数据和26个维度特征（大多数不可用）。机器资源有限，能源有限，重点是了解这样的机器学习场景，以及实际的机器学习过程，我们不关心这些细节。03、在提前准备编写代码之前，我希望你对python有一个基本的了解，因为整个过程将由python完成，所以请学习python的基础，请安装anaconda3集成环境，请提前熟悉python编译集成环境jupyternotebook，以上，不知道如何邀请谷歌，教程很多。numpy将用于所有数据的预处理和清洗，pandas，可以用matplotlib等python工具库绘制一些图片。虽然我们可能会在文章的过程中稍微学习一下，但毕竟是有限的。请提前学习。大多数机器学习实践将使用sklearn2.X，文章涉及的部分会讲解，但毕竟时间有限，请先了解。为何使用sklearn？因为python的整个过程都有足够的支持，阅读、清洁、观察和各种数学库都不太方便。更重要的是，你认为每月数百元的阿里云功能可以运行深度学习吗？我必须权衡使用数据集。04、在数据探索任何机器学习的开始时，都无法避免对持有数据的观察。你甚至不知道数据是什么样子的。你可以玩锤子算法。jupyternotebook的环境大概是这样的，可以随意创建文件夹或python文件。下面的ipynb后缀是编译执行文件。如果不深入，请自己去谷歌。引入几个必须使用的包:import pandas as pd #importtpython知名数据处理包 numpy as np  #和上面一样有名，更古老的importt也更古老 matplotlib.pyplot as plt  #同上著名，用于绘图，易于观察读入数据：data=pd.read_csv('./data/gender-classifier-DFE-791531.csv'         ,header=0         ,error_bad_lines=False         ,encoding='latin1'                   ,skip_blank_lines=True)#header=0.不需要指定自己的表头，自带#error_bad_lines=False，错误行自动删除多余行，喜欢pd的各种聪明骚操作#encoding,编码，不多说#skip_blank_lines，跳过空行看具体数据的样子：真的有点多，显示不全，在26个维度中，gender标记列被圈起来，这是我们通常预测模型中的Y值。整体特征维度如下(中文是我自己翻译的，凑合着看，应该能看懂，不懂翻译工具)：#_unit_id(唯一ID):auniqueidforuser#_golden(黄金标准，2值):whethertheuserwasincludedinthegoldstandardforthemodel;TRUEorFALSE#_unit_state(检测状态，2值):stateoftheobservation;oneoffinalized(forcontributor-judged)orgolden(forgoldstandardobservations)#_trusted_judgments(可信评论的数量，连续值):numberoftrustedjudgments(int);always3fornon-golden,andwhatmaybeauniqueidforgoldstandardobservations#_last_judgment_at(最终评论时间):dateandtimeoflastcontributorjudgment;blankforgoldstandardobservations#gender(性别):oneofmale,female,orbrand(fornon-humanprofiles)#gender:confidence(性别可信度，信心范围):afloatrepresentingconfidenceintheprovidedgender#profile_yn(No代表数据收集，非预测):"no"hereseemstomeanthattheprofilewasmeanttobepartofthedatasetbutwasnotavailablewhencontributorswenttojudgeit#profile_yn:confidence(profile_yn置信间):confidenceintheexistence/non-existenceoftheprofile#created(用户创建时间):dateandtimewhentheprofilewascreated#description(用户描述):theuser'sprofiledescription#fav_number(*人数):numberoftweetstheuserhasfavorited#gender_gold(性别黄金？):iftheprofileisgolden,whatisthegender?#link_color(十六进制，link颜色):thelinkcolorontheprofile,asahexvalue#name(名称):theuser'sname#profile_yn_gold(二值):whethertheprofiley/nvalueisgolden#profileimage（头像）:alinktotheprofileimage#retweet_count(*次数):numberoftimestheuserhasretweeted(orpossibly,beenretweeted)#sidebar_color(边框颜色):coloroftheprofilesidebar,asahexvalue#text(tweets文本随机抽取):textofarandomoneoftheuser'stweets#tweet_coord(如果用户打开定位，则显示经纬度):iftheuserhaslocationturnedon,thecoordinatesasastringwiththeformat"[latitude,longitude]"#tweet_count(发布的tweet数):numberoftweetsthattheuserhasposted#tweet_created(tweet创建时间随机抽取):whentherandomtweet(inthetextcolumn)wascreated#tweet_id(tweetid随机抽取):thetweetidoftherandomtweet#tweet_location(tweeet定位，没有标准化处理):locationofthetweet;seemstonotbeparticularlynormalized#user_timezone(用户时区):thetimezoneoftheuser看起来不错吗？再看一个数据：dataframe.info()函数，可以看到数据集的整体情况，是否发现各种空值，数量不足20050，能否用20050。再看一个数据：dataframe.info()函数，可以看到数据集的整体情况，是否发现各种空值，数量不足20050，能否用20050。05、从基本数据初步探索的特征选择中，我们可能知道数据的范围，但我们需要先判断是否可以使用，不能将所有数据丢失到模型中。我们的目标是预测gender。性别分为三类，而非常规的两类男女。我们应该有一些商业思维。在推特上不难理解许多机构类型的账户，这与微博上的许多机构账户是一样的。从直观的角度来看，我们筛选出可能与性别有关的一个