Amarres de amor y machine learning: prediciendo compatibilidad con Python

¿Alguna vez intentaste combinar un poco de misticismo con ciencia? Suena loco, lo sé. Pero te cuento: una vez, en plena crisis post ruptura, me topé con un artículo sobre cómo algunos datos podían predecir compatibilidad amorosa. Fue como mezclar un tarot con código Python. Raro… pero intrigante.

Y claro, como cualquier persona que ha probado tanto horóscopos como scripts de pandas, me dije: “¿y si junto amarres de amor con machine learning?”.

Spoiler: sí se puede. Y no, no necesitas una bola de cristal. Solo un par de librerías, algo de intuición y, quién sabe, tal vez un toque de esa magia que encuentras con los amarres de amor Hart mi.

¿Por qué mezclar magia y código?

I once tried scraping dating profiles just for fun. Hasta que me di cuenta que, detrás de los “me gusta la pizza” y “amo a mis gatos”, había patrones. Patrones que un algoritmo puede aprender. Y si los humanos buscamos conexión, ¿por qué no enseñarle a un modelo cómo se ve eso?

Conceptos clave (contados como si estuviéramos en un café)

Compatibilidad → no es solo “tenemos química”. Es lenguaje, valores, rutinas. Todo eso se puede codificar.
Datos amorosos → mensajes, biografías, emojis, ¡hasta tu hora de dormir!
Modelo predictivo → el cupido digital. Analiza lo anterior y predice “este match sí pinta bien”.
Clasificación binaria → o hay chispa… o no.
Overfitting emocional → el clásico “me gustó porque se parece a mi ex”. El modelo lo aprende... y se equivoca.

¿Cómo construir tu propio ‘Cupido.py’?

Aquí va lo básico. Sin drama técnico, lo prometo.

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.pipeline import Pipeline

# Datos simulados de perfiles y resultados de relaciones
data = pd.DataFrame({
    'mensaje_inicial': [
        "Me encantan los perros", "Vamos por tacos?", "Soy fan del cine indie",
        "Hola hermosa", "¿Te gusta leer?", "¿Netflix o HBO?"
    ],
    'compatibilidad': [1, 0, 1, 0, 1, 0]
})

# División de datos
X = data['mensaje_inicial']
y = data['compatibilidad']

# Pipeline para vectorización y clasificación
pipeline = Pipeline([
    ('tfidf', TfidfVectorizer()),
    ('clf', RandomForestClassifier(n_estimators=100, random_state=42))
])

# Entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
pipeline.fit(X_train, y_train)
accuracy = pipeline.score(X_test, y_test)

print(f"Precisión del modelo: {accuracy * 100:.2f}%")

Metáfora rápida: amor y datos

Imagínate que cada conversación es una planta. Algunas florecen rápido, otras se marchitan. Lo que hice fue estudiar las semillas, la tierra, el clima. El machine learning fue como un jardinero virtual. Y, de repente, entendí por qué esa relación con Ana duró… y por qué la de Sofi no.

Herramientas útiles (sí, como en una botánica Hart)

Si alguna vez te sentiste atraído por esa mezcla entre lo espiritual y lo práctico, deberías darte una vuelta por una botanica Hart. Porque así como usas NumPy, también puedes usar velas, inciensos o rituales. Who says no puedes tener ambos?

Ah, y si vas en persona... preguntá por los brujos en Hart. A veces, una consulta puede aclarar lo que ni el algoritmo puede ver 🤷.

Lo que realmente ganas con esto

Te conocés mejor. De verdad.
Aprendés qué patrones repetís en tus relaciones. That ex with red flags? You picked ‘em again.
Te divertís, aunque sea con datos de tu propio caos amoroso.
Y hey, tal vez, terminás entendiendo lo que buscás. Sin tener que ir a una app de citas cada domingo.

Dale una oportunidad esta semana

No te digo que hagas amarres mientras programas (aunque… quién soy yo para juzgar). Pero probar algo nuevo, combinar mente + corazón, ciencia + magia... puede enseñarte más de lo que pensás.

Give it a shot. You’ll see.

Y si necesitas una ayudita extra, ya sabés dónde buscar 😉