离散数学之把妹要诀

离散数学课(CSCI 2110)上,讲到一个有趣的问题。

假设有五个男生,五个女生,每个人都在自己心中对五个异性有一定的preference排序,比如:

以上的排序表解读为:男生1最中意女生C,次中意女生B,次次中意女生E……

以此类推……

在五男五女全部成功脱光之后(假设都在圈子内部解决),定义一个unstable matching为:如果存在一对不是情侣的男女符合以下情况:

对于该男,该女在他的preference列表中处于现任女友的前面,对于该女,该男在他的preference列表中亦处于现任男友的前面,那么这对男女必然有私奔的倾向……

这样的情景即为unstable matching。反之,若不存在这样一对有私奔倾向的男女,即为stable matching。

问题是:是否在任何情况下,即不论各位的preference列表如何变化,只要男女数量相同,总是存在一个stable matching。 (当然,搅基之类的,是不可以的……)

在上面五男五女的例子里,一种stable matching如下:

因为每个女生最中意的男生都不同,所以只要让女生们都选择跟自己最中意的男生在一起,她们就都不会有和其他男生私奔的想法。虽然男生们会表示略苦逼啊!仍然不失为一个stable matching……。

那么如果有n男n女,每个人心中都已经有了一个preference 列表,stable matching是不是一定存在呢?

1962年,Gale 和 Shapley 证明了stable matching是一定存在的。

首先他们给出了一个算法:

第一天早上:所有男生都向自己最中意的女生表白。

第一天中午:每个女生都被表白了n次(可能是0次)之后,拒绝了相对不太中意的那n-1位,hold住其中最中意的那位……即暂时不答应也不拒绝

第一天晚上,被拒绝的男生们在自己的preference列表中划掉了那个拒绝他的人……

第二天早上:所有没有被hold住的男生都向自己最中意的女生(无视已经被划掉的)表白。

第二天中午:女生们在那些向她表白的男生和已经hold住的那男生中选择最中意的一位,拒绝掉其他的。

第二天晚上:被拒绝的男生们在自己的preference列表中划掉拒绝了自己的人……

第三天,重复同样的过程……

第四天……

…………

这样的过程是有限的,不会一直循环下去。(Claim 1)

在这样的过程结束之后,每个女生都会hold住一个男生。(Claim 2)即在那一天之后没有男生可以继续表白了,这时女生们终于都向那个男生说了yes!

按照这样的过程,最后不会存在一对男女有私奔倾向(Claim3)

即完成了stable matching。

关于Claim1, Claim2, Claim3的证明,有兴趣的同学可以参考这里

下面是我们的关键问题:

在这样男生主动的算法中,占了优势的是男生还是女生呢?

表面上,男生略苦逼:要么被拒绝,要么被hold住还不知道是不是第二天就会被拒绝;女生则有着充分的选择权,享受着众星捧月的优越感,而且最差情况下到头来还是会有个伴儿也不至于孤家寡人……。。

但是实际上,占了优势的却是男生!

对于男生,

设最后他的女友是在他当初的preference列表的第i位,那么在i位之前的那些女生,他是怎么追也追不到的:

因为即使追到(即该女生一时糊涂答应了),

那么那个女生(记为Y)也必然会有比他心仪的对象另一男X(因为既然是一时糊涂,表明在当时的情况下有更心仪的男生已经向她表白),

而男X既然在当时向该女生表白,表明在Y之前的女生都拒绝了他,而如果Y也拒绝了他,他最后在一起的女生必定排在Y之后。

所以,X和Y是注定要私奔的!

所以嘛,男生没有追到的那些女生,都是命中不该有不可强求的……即他最后追到的女生是他最好的选择了……

对于女生:

设最后她的男友在她当初的preference列表的第i位,那么在i位之前的那些男生,都是还没机会向她表白就被其他女生hold住的,也就是说,她永远也等不到的最好的,多苦啊……

实际上,还可以证明,这个男友是在所有的stable matching中她能得到的最差的选择。

如果她选择了i+1,也就是拒绝了i,那么i最后只能跟不如她的女生(在i眼中)在一起。

而i+1也是不如i的,那么最后她还是要和i私奔。

即:若她选择了(在她眼中的)更差的男生,最后的配对就是unstable matching了,所以,没办法更差了!这已经是最差了有木有啊!

综上,我们惊奇地发现,男生追到的女生,是他最好的选择。

女生接受的男生,是她最差的选择。

如果情况相反,即女生主动追求男生,那么结论也会相反。

这个事实教导我们,主动表白是多么重要啊!

但是……

羞涩的女生如果不愿主动表白,还是有机会避免这种最差结果的。这时候,撒点小谎就显得非常重要……。

假设一个简单的情境,4 V 4 好了。

男1:BADC A女:1234

男2:ABCD B女:2143(红色是在第一天表白的)

男3:BCAD C女:3241

男4:ADBD D女:4231

按照Gale Shapley算法,

第一天,男1和男3向B女表白,男2和男4向A女表白。

A女喜欢2胜过喜欢4,但是她对2说谎了(“不,我不爱你……”)她拒绝了2

B女喜欢1胜过喜欢3,但是她对1说谎了,她拒绝了1

于是第二天早上,被拒的男1向A女表白,同时男2向B女表白……。。

最后的结果是:

1-A

2-B

3-C

4-D

女生们最终都得到了最佳选择。

以上的事实教导我们,当女生拒绝你的时候,可能她不是真的不喜欢你(至少在当时),所以……一切死缠烂打都是有理论依据滴,不可等同于耍流氓……

最后,如果是男生撒谎(即不按preference列表来表白,不能否认这样的2B青年的存在),他最终能不能交到更加心仪的女友呢?答案是不能。撒谎只会让男生交到在男生心目中排得更靠后的女生。原因不难分析,同学们可以自行尝试。结论是:对于主动的一方,真诚和坦白是保证得到最优选所必需的……

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值