关于如何找到情缘这个大家关心的问题我们帮会做出统一回复:
我们采用支持向量机（Support Vector Machine，SVM）的办法对剑三中找到情缘的几率做一个统计分析：
用于统计的样本点来自：可以被称为明显潜在情缘的对象（6,981），再从海鳗在抽取了显性不属于情缘的对象（14,681）。

其中X是对情缘这个本身的描述向量，z为剑三对应的用户的被单身用户关注和被海鳗用户关注的总数（作为剑三本身信息的相关性统计指标），其他为参数；

再随机抽样了56,619,913个游戏玩家，总共涉及用户数7,486,615位。
根据我们已训练的向量机：剑三中单身的对象占26%，也就是单身用户在剑三中占有较大比例，但是并不是主体，相反，仍然有很多其他的类型：

潜在情缘，非表象型情缘，可接受多个绑定型情缘等等;
而从统计标本的时间线来看，单身用户在剑三中是在不断增多的
在另一方面，如果我们从剑三中单身用户占阵营的比例看，恶人谷的比例并没有增加，而是近乎随机游走在中立和浩气盟中的

也就是说寻找情缘主要是依赖于将卿总体帮会成员的帮助下增加找到情缘的几率不断增大。

就说到这儿吧，总结一下：
1.单身用户在剑三中的比例并没有我们想象的高，以一己之力寻找情缘稍有理想化。
2.剑三的玩家越来越多，但实际上单身用户在恶人谷中的比例并未增加，而是近乎随机游走在中立和浩气盟的，而没有将卿的帮助找到情缘的几率近乎为零。

声明一下：
关于向量机核函数形式，是根据westin（1983）中所提到的对通常文本类型的分割方式改进而来，具体缘由可参见参考文献

…突然不知道怎么顶贴

答几个问题：
核函数是否合理？
在声明中已经说过了，核函数是根据westin（1983）中所提到的对通常文本类型的分割方式改进而来，具体缘由可参见参考文献。

从生理学的角度分析，在我们帮会，更容易找到情缘，因为……编不下去了

在之前的模型中主要有这样一个问题：我们随机抓取的样本会不会存在选择偏误?
答案是可能的，因为在我们实际抽取中，虽然是随机的，但是是依据随机出现在动态页面中的问题得到的。而出现在动态页面中的问题出现频率本身和赞同数是有关的：对于等级为60以下、装分为9k以下的用户是不会被抓取到的。

不过用heckman selection model 可以解决这个问题：
原来的回归方程不变：
加入selection condition：



用probit模型：

最终得出的结论稍稍变化（比例变为了21.1%），但是大体结论不变，这里就不细讲了。

参考文献:
1.Acar J, Iung B, Boissel J P, et al. AREVA: multicenter randomized comparison of low-dose versus standard-dose anticoagulation in patients with mechanical prosthetic heart valves[J]. Circulation, 1996, 94(9): 2107-2112.
2.Berder V É R, Bedossa M, Gras D, et al. Retrieval of a lost coronary stent from the descending aorta using a PTCA balloon and biopsy forceps[J]. Catheterization and cardiovascular diagnosis, 1993, 28(4): 351-353.

涉及数据部分纯属瞎扯，涉及文献部分纯属瞎编，只是为了表明，我们帮会真的很厉害，就是这样
以及本文中使用的向量机和heckman二阶段方法，请初学者不要模仿，因为，
都是误用，都是误用，都是误用。
重要的事情说三遍！