思维模型分享
思維模型
- 1.思維建模
- 1.1 模型的用途
- 1.2構建模型的3種方法
- 1.3多樣性預測定理
- 1.4分類模型
- 1.5 變差模型
- 1.5.1 解釋變差的百分比
- 1.6 模型誤差分解定理
- 1.7 多模型思維
- 1.8 對人類行為建模
- 1.8.1 理性行為者模式
- 2.模型思維
- 2.1 正態分布
- 2.2中心極限定理
- 2.2.1 平方根法則
- 2.2.2 檢驗顯著性
- 2.2.3 六西格瑪
- 2.2 冪律分布
- > 總結
分享一下,后續持續更新中
1.思維建模
1.1 模型的用途
REDCAPE 推理(reason) 解釋(explain)設計(design)溝通(communicate)行動(act)預測(predict)和探索(explore)
- 推理: 識別條件并推斷邏輯含義;
- 解釋: 為經驗現象提供(可檢驗的)解釋
- 設計: 選擇制度,政策和規劃的特征
- 溝通: 將知識與理解聯系起來
- 行動: 指導政策選擇和戰略行動
- 預測: 對未來和未知現象進行數值和分類預測
- 探索:分析探索可能性和假說
1.2構建模型的3種方法
- 具身法(embodiment approch)
包括重要部分,將不必要的部分進行剝離,或者將他們整合到一塊。 - 類比法 ,對現實進行類比和抽象 ,類比法致力于刻畫過程,系統或現象的本質。
- 實現法(alternative reality approach),這類模型可以作為分析和計算的“演練場”,我們可以利用這類模型探索各種各樣的可能性。
1.3多樣性預測定理
多模型誤差 =平均模型誤差-模型預測多樣性
舉例:
假設兩個模型預測某一部電影會獲得多少項奧斯卡獎。一個模型預測它將獲得兩項奧斯卡獎,另一個模型則預測獲得8項目。這兩個模型預測的平均值,就是5。如果最后這部電影獲得了4項奧斯卡獎,那么第一個模型模型的誤差等于(2-4)^2 即 4 第二個模型的誤差等于(8-4)^2 即 16 而 多模型誤差為 1
1.4分類模型
概念: 存在一組世界的對象或狀態,每個對象或狀態都由一組屬性定義,每個屬性都有一個值。
根據對象的屬性,分類模型M 將對象或者狀態劃分為一個有限的類別集{S1,S2,…,Sn},然后給每個類別復制{M1,M2,…,Mn}
數據的維數限定了可以創建的模型數量。
1.5 變差模型
其中 ,V(x)等于X中x的值,v ̄\overline{v}v 等于平均值,M(x)等于模型的估值。
舉例:
1.5.1 解釋變差的百分比
1.6 模型誤差分解定理
模型誤差= 分類誤差 +估值誤差
1.7 多模型思維
- 一對多 (一個模型應用到多個領域)
成功的一對多模型,取決于創造性的調整假設和構建新的類比,以便為某目的開發的模型,應用到新的領域中。(因此成為一個多模型思考者,不僅需要數學能力,更需要創造力)
1.8 對人類行為建模
1.8.1 理性行為者模式
行為者個體的偏好由一組,可能的行為定義的數學形式的,效用函數或收益函數(payoff function)來表示。行為個體選擇函數值最大的行動。在博弈中,這種選擇可能需要相信其他博弈這的行為。
- 證明效用函數存在的定理,需要假設一個備選的方案集確定偏好排序(即 函數設定存在的范圍)。
- 偏好要與 效用函數一致,就必須滿足完備性,傳遞性,獨立性和連續性。一個具有注腳的文本。1
選擇行為者模型的理由
損失厭惡和雙曲貼現
2.模型思維
2.1 正態分布
分布為事件或者價值分配概率。
衡量的方法:(1)均值 (2)方差
- 均值 各種統計量,將分布中的包含的信息壓縮成單個數值。例如 均值 分布的平均值。
- 方差 第二個統計量,衡量一個分布的離散程度。
擴展 六西格瑪(six sigma)
標準差,也稱均方差,是各個數據偏離平均數的距離的平均數 。
舉例:
2.2中心極限定理
只要各個變量,是相互獨立的,每個隨機變量貢獻的方差,都是有限的,且沒有任何一小部分隨機變量,貢獻了大部分方差,那 n>=20個隨機變量的和就近似一個正態分布。
2.2.1 平方根法則
2.2.2 檢驗顯著性
2.2.3 六西格瑪
2.2 冪律分布
冪律分布就是常說的,長分布和尾分布
概念: 用數學表達式就是"節點的鏈接數和節點數的乘積是一個定值"
舉例:
> 總結
首先的是問題歸類,然后是數據建模,采用多個單模型,用不同的維度,來對問題進行分析;
參考:https://blog.csdn.net/weixin_44415209/article/details/108788867
注腳的解釋 :參考:173頁 ??
總結
- 上一篇: Knx ip协议和Java实现
- 下一篇: GMSSL学习总结