用算法背后的道理指导自己生活中的决策.doc

《用算法背后的道理指导自己生活中的决策.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、用算法背后的道理指导自己生活中的决策听过了很多道理，却依然过不好这一生。这是很多人的困惑。这篇小文想讲的是，任何一场科技中的浪潮，都会带来方法论上的变革。关于人生中的抉择，人们总是用当前最热门科技中的概念去类比。正如CarlSagan所说：Scienceisawayofthinkingmuchmorethanitisabodyofknowledge。授人以鱼不如授人以渔，了解了方法论的变革，才会带来元认知上的升级换代。在过去，当我们站在人生选择的十字路口，我们会从古代先哲的话中去寻找启迪，会听从当地宗教领袖的话，到了启蒙运动之后，社会

2、的主流意见变成了听从你内心的声音。然而，随着数据在我们的生活中占据了越来越重要的位置，我们做决策时也需要拿出数据和图表，用量化的数据以及算法来指导我们的决策，而不只是做你自己喜欢的事。为什么我们不应该只追随自己的innervoice了？这是因为当代心理学，及其衍生出来的行为经济学已积累了足够的证据，说明人类会系统性的犯错误。关于这个话题，最著名的论述就是《思考，快与慢》这本书，另一本值得看的书是进化的'乱乱脑'是怎么让你不完美的。另一方面，在《Abriefhistoryoftomorrow》这本书中，作者指出，做出明智的决策，自我意识

3、的存在不是必要条件，很多Non-consciousbuthighlyintelligent的算法即将在未来变得比我们更加了解自己。但我们有些时候却不愿相信算法帮我们做出的决策，尤其在面对人生的关键选择时，例如，你愿意你的终身大事被算法安排吗？当一个程序告诉你，你应该和A结婚，尽管你觉得B更有魅力时，你会听程序的安排吗？要回答这个问题，最好我们先了解程序背后的算法逻辑，否则在对算法一无所知的情况下做出的选择，不会是一个well-informedchocie。在不久的将来，算法将会或显或隐的影响你的选择，你准备好相应的心智模块了吗？举一个

4、具体的例子，假如一个非常优秀的人参加选秀节目，已知追求的他的人有有限个，例如10位，选秀节目规定，他不能脚踏两只船，即不能同时和两个人交往，如果在交往之后他没有接受这个人，那么，以后也没有机会再选择这个人作为对象。然后接着和下一个人交往。他该怎么办？对这个问题的回答，有两种思考方式，先说机器学习的方式。一个做机器学习的人拿到这个问题，首先会做的是收集数据，假设上面提到的选秀节目进行了100期，那么要收集的数据包括这一百期节目中每位男嘉宾的年龄，学历，身高，职业等structuredata，还会收集台上发生的对话这样unstucture

5、的data，最后在通过对每位女嘉宾的事后访谈，确定各位女嘉宾是否后悔自己的选择，是否和男嘉宾有更多的发展。之后将所有的这些数据放入多个模型中，目标是找出一套规律来，来指导未来参加这个节目的女嘉宾，让她们能做出让她们最不后悔的选择。不同的模型给出的规律会各有不同，有的模型很简单，会告诉女嘉宾找和自己年龄相差最小的，有些规则会很复杂，会告诉女嘉宾去找又高又年轻的程序员但是却要比自己大1岁到3岁。（咳咳）另一种方法是传统的数学模型，关于上文提到的问题，有一个现成的数学理论可以去对这个问题给出最优解。OptimalStopTheory是一个在

6、金融衍生品定价中应用很广泛的理论，假设每个女嘉宾可以对男嘉宾给出一个唯一的打分，但女嘉宾不清楚这届男嘉宾的整体水平怎么样，需要拿前几个去摸索一下自己应该把标准定的多高，又担心久久不选择，错过了最好的那个，那么OptimalStopTheory给出的答案是37%，在37%之后，女嘉宾应该不要犹豫，只要遇到一个比之前的选择都得分高的男嘉宾，该将就就将就吧。（咳咳）对于这个问题的数学建模，感兴趣的童鞋可以自己去推算出上文提到37%来。在男嘉宾的数目不同时，女嘉宾按OptimalStopTheory应该采取的最优策略，以及对应的有多少比例找到

7、这一组中男嘉宾中最好的那个，有63%的概率遇不到最好的那个这不是一个好消息，但从另一方面来看，OptimalStopTheory保证了不管男嘉宾有多少个，女嘉宾总能有差不多的几率找到最好的那个。将选秀节目中的场景反射到生活的时间之流中。我们每个人也都会遇到或多或少几个追求者，也会在到底是该等待唯一的那个人，还是就这么嫁了中彷徨。假设我们的平均寿命是90岁，那么OptimalStopTheory告诉你可以在33岁前去explore你的选择，过了33岁之后，再选择遇到的最好那个不迟。下次再遇到逼婚的，就可以给父母亲戚推一推公式，告诉他们数

8、学家已经证明了，再等几年是最优的选择。（咳咳）比较一下机器学习和传统的数学建模的方式，机器学习处理的多维的，复杂的数据，其模型相比数学模型，需要更少的假设条件，其得出的结论，不会保证其一定是最优的。而数学建模，首先假设了