Project_MLforInfidelity

在現代婚姻研究中，外遇行為不僅影響家庭穩定與伴侶、親子關係，也與心理健康、社會價值觀和生活滿意度息息相關。然而，外遇行為的成因往往複雜，涉及個人、伴侶與社會多層面因素。本專案想知道，

• 我們能否運用機器學習方法分析外遇行為？

故本專案嘗試使用 機器學習（Machine Learning, ML） 技術，和蒐集外遇相關行為特徵資料，用以預測受試者會不會發生婚外情的可能性。本專案目的在透過建立模型與特徵分析，我們希望能對婚姻中發生外遇行為背後的原因能有更深入的理解，並探索如何降低外遇行為的發生率。

專案目標

1. 建立預測模型：
   利用監督式機器學習方法預測個體會發生外遇行為的可能性。

2. 特徵重要性分析：
   找出最能影響外遇可能性的關鍵因素。

3. 提出預防建議：
   根據模型結果，提供改善婚姻關係與降低外遇風險的可能方向。

資料集說明

本專案資料來自 Ray Fair（1977） 的經典研究，最初發表於 Journal of Political Economy。數據共包含 6,366 筆觀察樣本，涵蓋多項與婚姻和個人背景有關的變項。

• 主要變數：

變數名稱	說明
affairs	過去一年外遇次數（類別變項）
gender	性別：0 = 女性，1 = 男性
age	年齡
yearsmarried	結婚幾年
children	子女人數：0 = 無，1 = 1個以上
religious	宗教信仰程度：1 = 反宗教，5 = 非常虔誠
education	教育程度：9 = 小學，20 = 博士／醫學博士等高等學位
occupation	受訪者職業類別（依 Hollingshead 分類反向編碼）
rating	婚姻滿意度自評：1 = 非常不滿意，5 = 非常滿意

使用技術

(1) 建模與資料分析工具

• Python 3.x
• Pandas / NumPy
• Scikit-learn
• Jupyter Notebook

(2) 建模與分析流程

1. 使用 StandardScaler 進行特徵標準化
2. train_test_split 將資料分割為訓練集與測試集
3. 訓練 Logistic Regression 統計模型
4. 透過 confusion_matrix、classification_report、roc_auc_score 評估統計模型表現

分析與結論

分析項目	結論說明
外遇可能性	模型預測個案外遇機率約 23% ~ 25%，風險中等。
主要影響因素	1. 婚姻滿意度（越低風險越高） 2. 結婚年數（7 年以上較高） 3. 宗教信仰程度（越虔誠風險越低） 4. 年齡（30~40 歲偏高） 5. 是否有子女（有子女略低）
預防建議	- 提升婚姻滿意度與正向溝通 - 關注婚姻倦怠期（7~10 年） - 強化價值觀與承諾 - 提供高風險族群心理與情感支持

參考資料

Fair, Ray (1978). A Theory of Extramarital Affairs. Journal of Political Economy, 86(1), 45–61.

如何使用

git clone https://github.com/JackLaiplus/Project_SECOM_PatternMining.git
cd Project_SECOM_PatternMining
pip install -r requirements.txt
jupyter notebook Project_SECOM_PatternMining.ipynb