在面对复杂多变的未来时,人们普遍有追求复杂模型的冲动。说人话就是,普遍希望尽可能考虑更多因素,尽可能考虑更加全面。
然而,科学家经过多次验证测试,得出了一个令人沮丧的结论,即统计学上高深与复杂的模型不一定能比简单模型提供更为精确的预测。
我想说的是,这个结论对我们的日常生活有哪些指导呢?
有人强调,这就是“少就是多”的经典解释,要拥有复杂问题简单化的能力。
有人说,不要迷信那些复杂模型,管用才是最好的。
……
都有道理,但如何践行呢?
我的理解,这个结论只告诫我们,不要过度追求复杂模型,但并不是说,模型越简单越好。
之所以复杂模型与简单模型效果类似(至少结论中没有强调哪个更强大),很可能是其中的某些因素分别发挥了应有的作用,但总体来看又相互抵消啦。
我们不应该片面去追求模型越简单越好,更多时候反而要尽可能考虑多种因素,尽可能让模型更加通用。
其实可以思考这个问题:一个考虑了100项因素的模型,和一个仅仅考虑10项因素的模型,在结果出来之前,你会更加相信哪一个?
但如果你能够解释其中的90项因素相互抵消,实际不再起作用,相信你又会做出不同的选择。
所以,对于那些科学家得出的这个结论,还要有自己的判断。
一方面,没有了解到具体测试方法和应用场景时,不能轻易相信,至少应该了解什么时候更加适用。
另一方面,在利用这个结论指导自己实践时,更要了解清楚这个结论的背后隐含的意思是什么,否则就可能被误导,就可能陷入“书越读越厚”的尴尬境地,正所谓“尽信书不如无书”。
网友评论