幸福的婚姻
Posted 程序员麻辣烫
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了幸福的婚姻相关的知识，希望对你有一定的参考价值。
简介
这本书是约翰戈特曼写的，算是比较经典的作品。作者使用“大数据”研究家庭关系，在5分钟内判断一对夫妇未来一年内的婚姻状况，准确率高达91%。作者提供了7个法则，说是能够确保自己的婚姻生机勃勃。我感觉应该是有用的。 它的基础是巩固夫妻之间的友谊，这才是所有婚姻的核心。 觉得夫妻间如果友谊深厚，很多问题都能比较容易解决。注重的是生活中点点滴滴的积累（修炼的是内功），不是出了问题给解决问题的套路（修炼的是外功）。
当然，这类书一般篇幅特别长，用例特别多，干货比较少，简单整理一下给大家分享。
不过有两点要说明：
-
幸福的婚姻需要双方共同努力
-
这本书有用的前提是双方之间是有感情的
原因
之所以看这本书，是因为不同的人生阶段对生活总会有新的认知，需要不断地学习去理解新的生活。其实这本书里的很多部分和我的想法倒是一致的。
夫妻之间必然会有争吵，因为即使是一个人，也会有前后矛盾的时候，更不用说成长经历不一样的两个人。但夫妻之间应该有信任和包容，这两点能够让大家能够解决大部分问题。
如果两个人都很在意、关心对方，那么依然有争吵，可能在战略或者战术上都有一些问题。
-
在战术上：两人没有沟通在同一条线上，也就是驴唇不对马嘴。这时候一定要好好沟通，明白对方在意的关键点是什么，一旦真正的搞清楚这点，可能会发现大家的想法其实是一致的
-
在战略上：争吵的出现与三方有关，丈夫、妻子、问题。大部分时候会变成丈夫和妻子之间情绪输出，问题却被晾在了一边。但问题或者说不断出现的问题才是主要矛盾，同心协力解决掉问题才能根本上解决争论。这需要大家极度理智和高效，挺难。
如果家庭中，双方能够能够透过表象发现问题的本质、或者能够准确表达出自己的诉求，争吵会少很多。在工作环境中，相对容易做到，但在家庭环境中，其实挺难的，可能本身因为是至亲，不必戴着镣铐交流，也算是幸事吧。
文章
作者认为，幸福的婚姻有一个简单的真理，即幸福婚姻基于深厚的友谊，指双方相互尊重并喜欢对方的朋友。修复婚姻的关键不在于你如何处理分歧，而在于当你们不争吵的时候，你们是怎样相处的。
所以作者提出一个关键词：积极诠释。指夫妻对彼此及婚姻的积极看法成为主导力量，并倾向于压倒其他消极情绪，忽略微小的消极因素。有点像银行的感觉，夫妻存了太多正面的感情在银行里，一旦有些负面消极的情绪，银行里存的东西足够压倒这些负面情绪。所以往银行存的正面情绪越多越好。
作者提出一个关键词：感情修复尝试。指通过一些语言或行动（不管是愚蠢的还是聪明的）来防止消极情绪升级，不让它失去控制。兄弟们，没有什么能防止争吵的，这是防止争吵失控的秘密武器。但这需要双方有坚定的友谊，且双方没有被消极情绪淹没。有没有过虽然在争吵，但是因为其中一个人的玩笑话或者动作，让争吵戛然而止，大家平静下来。这就是感情修复尝试起作用了！
02如何预知婚姻的未来
婚姻破灭的六大迹象。
第1个迹象：苛刻的开始
以带有批评或讥讽（这也是一种鄙视）的方式开始谈话，也就是以苛刻的方式开始谈话，那么不可避免的将以一种否定的口气结束，而且解决不了任何分歧。
case：丈夫和妻子讨论做家务，妻子：“还不如不做。” “我希望能够解决这个问题，但似乎不太可能。我试着去制定任务清单，但不起作用。我也试着让你独自去做，但是没有一件事你能坚持一个月。”
第2个迹象：末日四骑士
若这场以苛刻开始的交流继续进行着，那接下来两个人都不会好过。此时对婚姻造成致命伤害的末日四骑士会出现，它们为：批评、鄙视、辩护、冷战
- 批评：
-
批评和抱怨有区别。把抱怨变成批评，只需要加上“你是不是有毛病”
-
case：“你昨晚没有打扫厨房地板，我真的很生气”-这是抱怨。“为什么你这么不长记性？我讨厌轮到你打扫厨房地板的时候，还要我亲自动手。你就是不上心”-这是批评。
- 鄙视：
-
case：“难道给你15分钟休息，你就认为可以改变一切了？”
-
鄙视表达了人的厌恶之情，让配偶知道你讨厌它，只会导致更多冲突而不是和解
- 辩护：
- 辩护很少能起到预期效果，因为它实际上是一种责备配偶的方式，实际上是说：“这不是我的问题，而是你的问题。”，只能让冲突升级
- 冷战：
-
最终一方会选择逃离，虽然避免了一场冷战，但是也回避了婚姻
-
它一般最后才会出现，是上面三个一定时间累积后的结果
-
85%的婚姻中，丈夫都是冷战者，这是缘由我们的进化遗产
第3个迹象：被消极情绪淹没
配偶的消极情绪-无论是假借批评、鄙视还是辩护，突然爆发而且势不可挡，让你觉得自己不堪一击。
你学着做其他事情避免它再次发生。你越感到被配偶的批评或鄙视所淹没，你对配偶即将再次爆发的迹象就越警觉，所以你能想到的就是保护自己免受配偶的猛烈攻击，而要做到这一点，你就得从情感上疏远你的妻子。
第4个迹象：身体语言
这时候痛苦是溢于言表的。心跳加速，肾上腺素分泌增多，血压升高。
然后你的处理信息的能力会下降，你不会注意配偶在说什么，解决问题的窗口已经关闭。
当四骑士永久进驻婚姻，当任何一方常常感到被消极情绪淹没时，婚姻关系有了大麻烦。如果没有修复，可能不会离婚，但是情感上已经感觉不到彼此间的联系，他们已经放弃了这段婚姻。
第5个迹象：失败的感情修复尝试
四骑士和消极情绪淹没需要持续一段时间才能达到破坏婚姻的效果。
这时候要看双方的感情修复尝试是成功还是失败。
感情修复尝试的失败是不幸婚姻的准确标识，靠单独出现的四骑士来预测离婚，预测的准确率只有82%。但是当把感情修复尝试失败也算进去，准确率高达90%。
第6个迹象：糟糕的回忆
当一桩婚姻进展不顺时，两人的历史就会往坏的方面改写。另一个糟糕的迹象是，你发现自己很难记得过去的事，过去变得无足轻重或让你痛苦，你索性遗忘了它。
行将结束的婚姻
当一段婚姻到了夫妻双方改写他们历史的份上，当他们的精神与肉体无法沟通并且无法弥补当前存在的问题时，这桩婚姻几乎注定要破裂。
当然，还有救的哈。
03 法则1 完善你的爱情地图
爱他，就要了解他
说明：爱情地图是你在大脑中存放所有与配偶相关的生活信息，像喜好、习惯、理想、烦恼等信息都可以存进去。不过，这份地图要随着对方的习惯、喜好等的变化而变化，比如妻子原来不吃洋葱，现在却很喜欢，那你就要把地图更新为：妻子喜欢吃洋葱。
原因：你如果不深刻的了解你的配偶，你怎么能建立友谊呢？怎么知道配偶会做哪些选择呢？认识普通朋友你也得大体了解他吧，何况是自己的配偶。越了解彼此的内心世界，夫妻关系就越深厚，回报也越丰厚。
操作：作者列了一份表，大家可以拿去用。
04 法则2 培养你的喜爱和赞美
我欣赏，我坚持
说明：喜爱和赞美系统是指，夫妻双方各自都保留了一些最基本的感觉，觉得对方值得尊重、敬佩甚至喜爱。如“我刚学会开车，就敢坐副驾”。
原因：
-
这是一种发自内心的感觉，能让双方挖掘出更多的积极感情。
-
喜爱和赞美是鄙视的解毒剂，如果你对配偶持有一种敬佩之情，当你与对方意见不一致的时候，你就不太可能会讨厌对方，因此，喜爱和赞美使夫妻免受末日四骑士的鞭挞。
-
如果一对夫妻的喜爱与赞美系统仍然在起作用，他们的婚姻就可以挽救。由此可见，培养自己的喜爱和赞美系统，让对方通过你的赞美感知你的爱和尊重，是促进婚姻幸福的重要步骤。
操作：
-
检查是否存在：如何看待他们的过去，看看能否察觉到积极情感的余烬
-
作者整了一堆列表和任务，帮你检测或重建喜爱和赞美系统
05 法则3 彼此靠近而非远离
你们的关系够紧密吗？
说明：现实生活中的浪漫是靠相互保持联系这种看似非常平淡的方法激起来的。在琐碎的日常生活中，它每时每刻都促使你知道自己受到配偶重视。如夫妻逛超市，妻子问“我们的洗衣液用完了吗？”丈夫不是冷漠地耸耸肩表示不知道，而是回答说：“我不知道。为了以防万一，我去拿一桶。”。学名叫沟通尝试，任何希望同对方进行情感沟通的行为都可称为沟通尝试，可能是一个问题、一个手势或是轻轻的身体接触。
原因：这就是感情储蓄，怎么加深友谊啊，不就是在这些不起眼的小事上一点一点累积出来的吗？
操作：作者整理了一堆列表用于检查，一堆任务用于加强彼此间距离
06 法则4 让配偶影响你
亲爱的，你说了算！
说明：这章其实是说接受配偶（主要是妻子）的想法。可能作者出这本书时间比较早，现在这个社会，只要建议和意见有道理，大家都会接受。
原因：丈夫不接受妻子影响的婚姻不幸福的可能性，是丈夫愿意接受妻子影响的婚姻的4倍。可见，丈夫接受妻子的影响，与妻子共享权力，是婚姻幸福、稳固的重要环节。并且，能够接受妻子影响的丈夫，更加懂得做一个好父亲、好丈夫，给孩子树立榜样，给婚姻添加希望。
操作：作者整了一堆列表可以打分，也设计了情景演练
08 法则5 解决可解决的问题
夫妻间所有冲突可以分为两类，一种是可以解决的，一种是永远存在的（大部分，占比69%）。不同类型需要用不同策略。夫妻间总会有冲突，只有先对冲突有统一的认识，才能去想办法解决它。
以温和开场，以妥协收场
说明：夫妻之间理应互相尊重，接受彼此的意见，这是解决双方之间分歧的良好基础，然而很多夫妻在设法说服对方或解决分歧时，都没有这么做。其实，若不是大呼小叫或愤怒的沉默，谈话本可以富有成效。在充满爱意的婚姻中解决冲突的步骤：
- 以温和的方式开始
-
讨论以这么样的方式开始，它必然会以什么样的方式结束
-
一个温和的开始不一定非得圆滑，它只要不是批评或鄙视对方就行
-
case：
-
温和：“嘿，你从洗衣篮走过，没把被褥叠好，让我很生气，我不喜欢一个人叠所有衣物”
-
不温和：“你以为你有了工作任务表就会好好干活吗？”
-
-
温和开始的建议
-
可以抱怨但不能责备：“后院都是狗粪，我们说好你来清理的，我被它烦透了” VS “后院都是狗粪，全是你的错，你对狗不负责任，从一开始我就不该相信你”
-
说话时尽量以“我”开头而不是以“你”开头，因为以“我”开头通常不太可能是批评行的话语：“你根本不关心我” VS “我觉得被忽视了”
-
只描述事实，不做评价和判断。不谴责，只描述看到的事实，能帮你阻止配偶产生被攻击的感觉：“你从来不照看孩子” VS “我今天是唯一一个围着孩子转的人”
-
明确地表达观点。不要期望配偶能看透你的心思：“你把餐厅弄得一塌糊涂” VS “如果你能把餐桌清理干净，我会很感激”
-
要有礼貌，多用“请”或“我会感激，如果***”
-
要学会赞赏，用赞赏预期表达你的请求：“你从来没有时间陪我” VS “还记得我们过去周六晚上怎么度过的吗？知道你喜欢和我在一起，感觉真的再好不过了，让我们重新过那种日子吧。”
-
不要闷声不响，不要在心里憋好长一段时间才把问题提出来，不然问题会在你心里不断升级
-
- 学会提出和接受感情修复尝试
-
能够阻止一场灾难，前提是对方能接收到感情修复尝试
-
如“你离题了！” “我们可以休息一会吗？” “我很伤心”
- 自我安抚和互相安抚
- 停止讨论。让配偶知道你被消极情绪淹没，你需要休息一会
- 妥协
-
解决婚姻问题的唯一方法是寻求妥协
-
走完上面的几步再进行协商
- 容忍对方的缺点
- 婚姻常常陷入“要是”困境，要是配偶再富裕一点、再聪明一点，你们所有的问题都会烟消云散。一旦这种心态占了上风，冲突就很难解决。在你接受配偶的缺点和不足之前，你不可能成功地向对方妥协，相反，你会一直想方设法改变你的配偶。
原因：正常的沟通真的能解决大部分问题，很多时候真的只是沟通问题
操作：
-
作者整理怎么判断是否是温和开场，怎么温和开场的列表
-
作者整理了一些感情修复尝试的标准性话语
-
作者整理了一些自我安抚和相互安抚的列表
10 法则6 化解僵局
对于永久性问题
学会和问题一起生活
说明：化解僵局的目的不是让你去解决这个问题，而是让你摆脱僵局，展开对话。在你的婚姻中，陷入僵局的冲突可能一直是一个永久性的问题，但是，当某一天，你能够在不伤害对方的情况下谈起这个冲突时，你就学会了和这个问题一起生活。
作者认为僵局是一种迹象，它表明你的人生梦想，而配偶不重视或不尊重这些梦想。作者认为找到配偶的深层次的梦想，然后可以在不同层次尊重配偶梦想，可以化解僵局
-
向配偶表示理解他的梦想，即使不赞同，但感兴趣，想知道更多
-
为他的梦想提供财力支持
-
成为梦想的一部分
原因：深挖深层的原因我了解，但是说能解决僵局，还是有些不能相信啊
操作：作者整理了深挖与处理的步骤
第一步，找到造成僵局的原因，发现你想要的梦想找到僵局存在的原因，对症下药才能有个好结果。一个僵局的产生是两个人造成的。所以，我们要从两个人的角度去寻找原因，并看到彼此在这个僵局中，想要实现什么梦想或者要求。
第二步：解决一个陷入僵局的婚姻问题当对方表达自己的梦想时你要认真倾听，并表示你对这个梦想的理解和兴趣。若你实在不赞同，也要予以尊重。在支持对方的梦想时，你可以从财力方面或者其他方面提供支持，比如成为这个梦想的一部分，和对方一起实现这个梦想。
第三步：互相安抚面对僵局，每个人都有自己想说的话、想发表的牢骚或者抱怨。那么，在夫妻双方交流的过程中，要懂得及时停下来互相安抚，不要让双方被消极情绪淹没。
第四步：结束僵局解决问题的行动进行到最后，都会有一个初步的结局。若是没有分歧那最好了；若是有分歧，记得寻求初步的妥协，为后面继续解决这个问题做准备。
第五步：感谢对方化解婚姻中的僵局需要两个人坚持不懈的努力，夫妻双方要怀着感恩之心，感谢对方的努力与付出。
11 法则7 创造共同意义
彼此尊重梦想
说明：创造共同意义婚姻是两个人共同的生活，除了共同承担家务、抚养孩子、孝敬长辈，我们还要建立属于精神层面的内在生活。换句话说，就是现实世界有着夫妻俩共同完成的事情，精神世界也要有。尊重对方的理想、信念，创建属于两个人或者家庭的仪式、故事和习惯，都是创造共同意义的一个部分。比如说星期天一家人要聚在一起，升职加薪、学业有成时要庆祝一番。
原因：这属于更高层次了，让两人越来越接近。
操作：作者整理了很多问题
资料
-
幸福的婚姻
-
幸福的婚姻
-
幸福的婚姻
天池新人赛——快来一起挖掘幸福感！
该赛题使用公开数据的问卷调查结果，选取其中多组变量
包括个体变量（性别、年龄、地域、职业、健康、婚姻与政治面貌等等）
家庭变量（父母、配偶、子女、家庭资本等等）
社会态度（公平、信用、公共服务等等）
来预测其对幸福感的评价
前期处理
将提供的训练数据的幸福度标签独立出来,并将除了幸福度标签的训练数据和待测试的数据合并
这样就省去既要处理训练数据又要处理测试数据的冗余，一次解决
df_train = pd.read_csv("happiness_train_complete.csv",encoding="ansi")
df_test = pd.read_csv("happiness_test_complete.csv",encoding="ansi")
y_train = df_train['happiness']
df_train.drop(["happiness"],axis=1,inplace=True)
df_all = pd.concat((df_train,df_test),axis=0)查看幸福度标签的分布情况:
其中-8指无法回答，也就意味着不知道自己是幸福或者还是不幸福
因此，将其当做幸福度的中间值来处理
y_train = y_train.map(lambda x:3 if x==-8 else x)然后统计各个属性的缺失情况
total = df_all.isnull().sum().sort_values(ascending=False)
percent = (df_all.isnull().sum()/df_all.isnull().count()).sort_values(ascending=False)
missing_data = pd.concat([total,percent], axis=1, keys=['total', 'percent'])
missing_data[missing_data['percent']>0]前期处理完成
数据预处理
数据预处理的措施：删除缺失过多的属性；对缺失少的属性进行填充
删除缺失值高达60%的属性：
df_all.drop( [‘edu_other‘,‘invest_other‘,‘property_other‘,‘join_party‘,
‘s_work_type‘,‘s_work_status‘,‘work_status‘,
‘work_yr‘,‘work_manage‘,‘work_type‘,],axis=1,inplace=True)
然后在对缺失值低于60%的值进行填充
#配偶情况
#全部缺失值填充为0 因为这些缺失值是因为没有结婚而导致的
df_all['s_political'].fillna(0,inplace=True)
df_all['s_hukou'].fillna(0,inplace=True)
df_all['s_income'].fillna(0,inplace=True)
df_all['s_birth'].fillna(0,inplace=True)
df_all['s_edu'].fillna(0,inplace=True)
df_all['s_work_exper'].fillna(0,inplace=True)
#教育情况
#全部缺失值填充为0 由没有受过教育而导致的
df_all['edu_status'].fillna(0,inplace=True)
df_all['edu_yr'].fillna(0,inplace=True)
#社交情况
#缺失值是由于社交不频繁造成的，全部缺失值填充为7
df_all['social_friend'].fillna(7,inplace=True)
df_all['social_neighbor'].fillna(7,inplace=True)
# 婚姻情况
df_all['marital_now'].fillna(2015,inplace=True)
df_all['marital_1st'].fillna(2015,inplace=True)
# 家庭收入
#family_income只有一条空记录，用平均值填充
df_all['family_income'].fillna(df_all['family_income'].mean(),inplace=True)
# 户口情况 缺失值是由于没有户口造成的，全部缺失值填充为4
df_all['hukou_loc'].fillna(4,inplace=True)
#孩子情况 全部填充为0,因为没有孩子
df_all['minor_child'].fillna(0,inplace=True)
print(len(df_all))特征工程
对一些分布不均匀或者相关性较差的属性删除，并同时构造一些新特征
先删除一些特征，这些特征分布及其不均匀且相关性也差
宗教不均匀
sns.countplot(x='religion', data=df_all)
df_all.drop(['religion','religion_freq'],axis=1,inplace=True)房产不均匀，只保留property_1和property_2
df_all.drop(['property_0','property_3','property_4','property_5',
'property_6','property_7','property_8'],axis=1,inplace=True)保险不均匀 全都删除
df_all.drop(['insur_1','insur_2','insur_3','insur_4'],axis=1,inplace=True)基本没人投资 全部删除
df_all.drop(['invest_0','invest_1','invest_2','invest_3','invest_4',
'invest_5'],axis=1,inplace=True)删除父母亲的政治面貌
df_all.drop(['f_political','m_political'],axis=1,inplace=True)根据现有属性，构造一些新特征，或者对属性进行泛化
对所处阶层的负值进行替换
df_all['class'] = df_all['class'].map(lambda x:5 if x==-8 else x)按照小学，初中，高中等常见教育等级进行划分
因为所给数据的教育等级粒度太细，故进一步泛化
def edu_split(x):
if x in [1,2,14]:
return 0
elif x in [3]:
return 1
elif x in [4]:
return 2
elif x in [5,7,8]:
return 3
elif x in [6]:
return 4
elif x in [9,10]:
return 5
elif x in [11,12]:
return 6
elif x in[13]:
return 7
df_all["edu"]=df_all["edu"].map(edu_split)因为不同的时间会有不同的感受
故把一天的时间分段
def hour_cut(x):
if 0<=x<6:
return 0
elif 6<=x<8:
return 1
elif 8<=x<12:
return 2
elif 12<=x<14:
return 3
elif 14<=x<18:
return 4
elif 18<=x<21:
return 5
elif 21<=x<24:
return 6
df_all["hour_cut"]=df_all["hour"].map(hour_cut)出生年代划分
def birth_split(x):
if(x<1920):
return 0
if 1920<=x<=1930:
return 1
elif 1930<x<=1940:
return 2
elif 1940<x<=1950:
return 3
elif 1950<x<=1960:
return 4
elif 1960<x<=1970:
return 5
elif 1970<x<=1980:
return 6
elif 1980<x<=1990:
return 7
elif 1990<x<=2000:
return 8
df_all["birth_s"]=df_all["birth"].map(birth_split)构造新特征 BMI 人体肥胖指数
并对新特征进行分类
def get_fat(x):
if(x<0):
return 1
elif(x>0 and x<18.5):
return 1
elif(x>=18.5 and x<=23.9):
return 2
elif(x>=24 and x<=26.9):
return 3
elif(x>26.9 and x<29.9):
return 4
else:
return 5
df_all['bmi]= df_all['weight_jin']/2)/(df_all['height_cm']/100)**2
df_all["fat"] = df_all["bmi"].map(get_fat)对收入进行分级 按照2015的标准
收入分级
def get_income_class(x):
if(x<=0):
return 0
if 0< x < 2800:
return 1
elif 2800<= x <10000:
return 2
elif 10000 <= x <27000:
return 3
elif 27000<= x <100000:
return 4
else : return 5对省份进行分级
def province_split(x):
if x in [6,1,12,28,13]:
return 0
elif x in [24,29,26,2,8,22,21]:
return 1
elif x in [16,31]:
return 2
elif x in [9,7,15,11,18,30,27,19]:
return 3
elif x in [23,5,10,4,3,17,4]:
return 4数据规范化
# 使用z-score方法 对数量值数据进行规范化
numeric_cols=['height_cm','s_income','house','family_income','family_m'
,'son','daughter','minor_child','inc_exp','public_service_1',
'public_service_2','public_service_3','public_service_4',
'public_service_5','public_service_6','public_service_7',
'public_service_8','public_service_9','aver_area','mar_yr']
# 再对标称数据进行规范化
numeric_cols_means=df_all.loc[:,numeric_cols].mean()
numeric_cols_std=df_all.loc[:,numeric_cols].std()
df_numeric=(df_all.loc[:,numeric_cols]-numeric_cols_means)/numeric_cols_std算法融合
使用lgb和xgbootst进行融合
#lgb的参数设定
param = {'boosting_type': 'gbdt',
'num_leaves': 20,
'min_data_in_leaf': 19,
'objective':'regression',
'max_depth':9,
'learning_rate': 0.01,
"min_child_samples": 30,
"feature_fraction": 0.91,
"bagging_freq": 1,
"bagging_fraction": 0.75,
"bagging_seed": 11,
"metric": 'mse',
"lambda_l1": 0.15,
"verbosity": -1}
# xgb的参数设定
xgb_params = {"booster":'gbtree','eta': 0.01, 'max_depth': 5, 'subsample': 0.7,
'colsample_bytree': 0.6, 'objective': 'reg:linear', 'eval_metric': 'rmse',
'silent': True, 'nthread': 8}
#采用stacking 融合lgb和xgb这两个模型
train_stack = np.vstack([oof_lgb,oof_xgb]).transpose()
test_stack = np.vstack([predictions_lgb,predictions_xgb]).transpose()
folds_stack = RepeatedKFold(n_splits=5, n_repeats=2, random_state=2018)
oof_stack = np.zeros(train_stack.shape[0])
predictions = np.zeros(test_stack.shape[0])
for fold_, (trn_idx, val_idx) in enumerate(folds_stack.split(train_stack,y_train)):
print("fold {}".format(fold_))
trn_data, trn_y = train_stack[trn_idx], y_train[trn_idx]
val_data, val_y = train_stack[val_idx], y_train[val_idx]
clf_3 = linear_model.BayesianRidge()
#clf_3 =linear_model.Ridge()
clf_3.fit(trn_data, trn_y)
oof_stack[val_idx] = clf_3.predict(val_data)
predictions += clf_3.predict(test_stack) / 10结果和代码
模型融合后，训练score是0.45887818
线上0.46316
代码见github
以上是关于幸福的婚姻的主要内容，如果未能解决你的问题，请参考以下文章