#王赫野[超话]#why#王赫野廿六顺意任野阔#
hi!我们的奇迹笨小孩 小王同学!
今天是你26岁的生日,也是胖胖陪你过得第一个生日!说起来,认识王赫野这真的是一个很正确的决定!2023年的你真的很让人心动!在无数个音乐节上面,你都是很真诚的宝宝!在2023年见证了你的太多闪耀时刻,这会让我很担心接下来的路,接下来的路并不好走,我们无法帮助你,只能让你知道你背后有福星,有我们这个大家庭,不管好与坏,总有人一直走在支持你!2024年一直往前走吧!别回头,偶尔停下来看看风景,听听风声,想说的话太多啦,也不知从何说起,等我们见面!胖胖慢慢给你唠嗑!
等你巡演!等你变成大明星!我们一定会见面的! @王赫野
hi!我们的奇迹笨小孩 小王同学!
今天是你26岁的生日,也是胖胖陪你过得第一个生日!说起来,认识王赫野这真的是一个很正确的决定!2023年的你真的很让人心动!在无数个音乐节上面,你都是很真诚的宝宝!在2023年见证了你的太多闪耀时刻,这会让我很担心接下来的路,接下来的路并不好走,我们无法帮助你,只能让你知道你背后有福星,有我们这个大家庭,不管好与坏,总有人一直走在支持你!2024年一直往前走吧!别回头,偶尔停下来看看风景,听听风声,想说的话太多啦,也不知从何说起,等我们见面!胖胖慢慢给你唠嗑!
等你巡演!等你变成大明星!我们一定会见面的! @王赫野
p1是我以前对我摩羯性格做的解析
结合看小王友趣,黑白字我和他很像
觉得自己不够好,内耗,完美主义
这期友趣上来就放谈心,懂他的情绪
我也常觉得自己没有别人优秀焦虑
多谨慎善良的小孩啊,怕没有日出
问厚厚如果没看到日出会不会不开心
懂他,是怕自己做事情别人不满意
谈心bgm《我想你一定很快乐》前奏
这个杀伤力,受不了,我的小男孩
我们摩羯小孩很多都敏感,经常内耗
有种我知道我自己状态也常很糟糕
但更想安慰安慰他,王加一真的很棒
为什么和别人比呢,大家花期不同
每个人都很努力,都会慢慢绽放开花
他的花可能开的晚些,不代表他差
我的小男孩多棒啊,他不自知,气晕
结合看小王友趣,黑白字我和他很像
觉得自己不够好,内耗,完美主义
这期友趣上来就放谈心,懂他的情绪
我也常觉得自己没有别人优秀焦虑
多谨慎善良的小孩啊,怕没有日出
问厚厚如果没看到日出会不会不开心
懂他,是怕自己做事情别人不满意
谈心bgm《我想你一定很快乐》前奏
这个杀伤力,受不了,我的小男孩
我们摩羯小孩很多都敏感,经常内耗
有种我知道我自己状态也常很糟糕
但更想安慰安慰他,王加一真的很棒
为什么和别人比呢,大家花期不同
每个人都很努力,都会慢慢绽放开花
他的花可能开的晚些,不代表他差
我的小男孩多棒啊,他不自知,气晕
贝叶斯定律
丹尼尔.卡尼曼在他的《思考,快与慢》里,就特地强调了初始概率对贝叶斯方法的重要性。
如何获得相对靠谱的初始概率?是个硬功夫,它需要经验、人脉、平时的深度思考,有时甚至和底层的价值观、思维方式都有关。
一旦知道了某件事情发生的准确概率,决定就瞬间简单了起来。
很多人觉得所谓的概率,都是计算出来的。
其实,现实世界里,我们面临的绝大多数情况都没法计算,都是黑盒子却需要去判断概率的问题。
频率派和贝叶斯派
传统的方法叫频率派。关于频率和概率的区别,简单的说,概率说的是事情未来发生的可能性,而频率说的是对某事情进行观察或者实验,发生的次数和总次数的比值。
概率是事情本身的一个固有属性,是一个固定值,而频率是变化的,样本越大,频率越接近概率。根据大数定理,当样本无穷大时,频率等于概率。
现实世界里,碰到的大量问题,根本找不到这么多现成的数据。还有很多新兴事物,压根没有先例,一种新发现的疾病,一个新的产品,一种新的市场策略,那怎么判断概率呢?
这就需要贝叶斯学派了。
贝叶斯学派的观点是,概率是个主观值,完全就是自己的判断,可以先估计一个初始概率 ,然后每次根据出现的新情况,掌握的新信息,对这个初始概率进行修正,随着信息的增多,就会慢慢逼近真实的概率。
这个方法完美的解决了频率派的两个问题,不用等样本累积到一定程度,先猜一个就行动起来了。
贝叶斯学派诞生两百多年来,一直倍受争议,甚至连co-founder拉普拉斯自己都放弃了,因为大家觉得这个摸着石头过河的方法太扯了,太不科学了。
直到最近几十年,随着计算机技术的进步才大放异彩,现在的人工智能、图像识别、机器翻译等,背后无不采用了贝叶斯方法。
贝叶斯定理(Bayes' Theorem)
贝叶斯定理如下:
A是你要考察的目标事件,P(A) 是这个目标事件的先验概率,又叫初始概率,或者基础概率。
B是新出现的一个新事件。P(A|B) 的意思是当B出现时A的概率,在这里就是我们需要的后验概率。
P(B|A) 是当A出现时B的概率。P(B) 是B出现的概率,在这里具体计算稍微复杂一些,指当A出现时B的概率和当A不出时(用A_来表示)时B的概率的总和。
用公式表达就是 P(B) = P(B|A) * P(A) + P(B|A_) * P(A_)。P(B|A) / P(B) 。
简化的理解为:
后验概率 = 先验概率 x 修正因子
举个例子。
比如新进入一家公司,不确定这里MBA学历对员工升迁的作用,而这个对你的个人发展很重要,因为要决定接下来是不是去读一个MBA学位。由于新来,压根没有样本,这时候就可以采用贝叶斯定理。
P(A) 是根据过往经验事先估计的,MBA对升迁有多大好处?比如先预估一个30%。这时候,出现了一个新信息B,小王升迁了,而且小王是MBA。那么,P(B|A) 是说当MBA管用时,小王升迁的概率。比如你现在的判断是80%。小王可能本身就有能力且业绩突出,就算没有MBA也可能会升迁啊,所以P(B|A_) = 50%(这个公式自动的帮助我们避免走极端)。
套入贝叶斯公式,P(A|B) = 30% * 80% / (80% * 30% + 50% * 70%) = 41%。从30%提高到了41%。那么当小王升迁这个新情况出现以后,你对MBA作用的概率判断从30%提高到了41%。
但是,过了段时间,发现同样是MBA的小李,熬了很多年也没有升迁,最后辞职了。现在对小李因为MBA有效而升迁的概率判断降为20%了。套入公式,新的P(A|B) = 41% * 20% / (20%*41% + 50%*59%) = 22%。从刚才的41%跌了近一半。
这样几次下来,就能对这个这家公司对MBA的看法有个相对靠谱的判断了。
拉普拉斯说过,所谓的概率就是把人们的常识用数学表达出来。也有人说,人脑就是采用贝叶斯方法来工作的。
但是人脑有是有偏差,有误区的,这个公式让人忽然获得了一个上帝视角,来审视一下,自己究竟是怎么做判断,做决定的,计算机又是怎么模仿并超越我们的,这岂不是很美妙的一件事情 。
贝叶斯定理给的启示
塔勒布说过,数学不仅仅是计算,而是一种思考方式。
现实世界中,我们没法时时刻刻拿出电脑来演算一下公式,但是仍然可以通过这个定理得到一些宝贵的启示:
大胆假设,小心求证。不断调整,快速迭代。这就是贝叶斯方法。
当信息不完备时,对概率的判断没有把握时,当然可以选择以静制动,但是不行动也是有代价的,可能会错过时机,也没有机会进步。这个时候,贝叶斯方法提供了一个很好的思路,先做一个预判,动起来,利用新的信息不断修正原来的预判。
当没有把握时,很容易根据新信息调整看法。更大的挑战是,已经形成了一个看法,甚至有了成功经验时,当新情况出现后,能不能也去调整自己看法。有了新信息,要对原来的看法做多大程度的修正呢?
这些,不可能有标准答案,但是明白了这个道理,有助于及时又谨慎的做出调整。
初始概率很重要
初始概率越准确,就能越容易、越快速的得到真实的概率。疑邻盗斧,以貌取人,会让人离真相越来越远。
如何获得相对靠谱的初始概率,是个硬功夫,它需要经验、人脉、平时的深度思考,有时甚至和底层的价值观、思维方式都有关。
丹尼尔.卡尼曼在他的《思考,快与慢》里,特地强调了初始概率对贝叶斯方法的重要性。
对出现的特殊情况要引起足够的重视
万分之一概率的事情,也有可能因为特殊事件,一下子变成了50%。
所以,每当出现特殊的、罕见的情况时,要保持高度警惕,同时也看到,如果检测精度不够高,即便出现了罕见事件,真实概率也可能不到10%。所以,具体要怎么采取行动,还需要进一步观察。
信息的收集,信息的质量,以及对信息的判断,是提高决策水平的最重要环节
只要有新信息,就可以修正,哪怕初始判断错了,新信息足够多,也能修正过来。但是没有信息,就没有修正。
所以,在做决定之前,尽可能多的收集信息是必须的。但是错误的信息、低质量的信息,会让你的修正偏离真相越来越远,你能不能区分信息来源的可靠性、能不能进行交叉验证、逻辑推理,就显得至关重要。
要做到这些,甚至某一些,都并不容易,掌握里面的平衡,就更加困难。
所谓高手,就是把自己活成了贝叶斯定理。
z
丹尼尔.卡尼曼在他的《思考,快与慢》里,就特地强调了初始概率对贝叶斯方法的重要性。
如何获得相对靠谱的初始概率?是个硬功夫,它需要经验、人脉、平时的深度思考,有时甚至和底层的价值观、思维方式都有关。
一旦知道了某件事情发生的准确概率,决定就瞬间简单了起来。
很多人觉得所谓的概率,都是计算出来的。
其实,现实世界里,我们面临的绝大多数情况都没法计算,都是黑盒子却需要去判断概率的问题。
频率派和贝叶斯派
传统的方法叫频率派。关于频率和概率的区别,简单的说,概率说的是事情未来发生的可能性,而频率说的是对某事情进行观察或者实验,发生的次数和总次数的比值。
概率是事情本身的一个固有属性,是一个固定值,而频率是变化的,样本越大,频率越接近概率。根据大数定理,当样本无穷大时,频率等于概率。
现实世界里,碰到的大量问题,根本找不到这么多现成的数据。还有很多新兴事物,压根没有先例,一种新发现的疾病,一个新的产品,一种新的市场策略,那怎么判断概率呢?
这就需要贝叶斯学派了。
贝叶斯学派的观点是,概率是个主观值,完全就是自己的判断,可以先估计一个初始概率 ,然后每次根据出现的新情况,掌握的新信息,对这个初始概率进行修正,随着信息的增多,就会慢慢逼近真实的概率。
这个方法完美的解决了频率派的两个问题,不用等样本累积到一定程度,先猜一个就行动起来了。
贝叶斯学派诞生两百多年来,一直倍受争议,甚至连co-founder拉普拉斯自己都放弃了,因为大家觉得这个摸着石头过河的方法太扯了,太不科学了。
直到最近几十年,随着计算机技术的进步才大放异彩,现在的人工智能、图像识别、机器翻译等,背后无不采用了贝叶斯方法。
贝叶斯定理(Bayes' Theorem)
贝叶斯定理如下:
A是你要考察的目标事件,P(A) 是这个目标事件的先验概率,又叫初始概率,或者基础概率。
B是新出现的一个新事件。P(A|B) 的意思是当B出现时A的概率,在这里就是我们需要的后验概率。
P(B|A) 是当A出现时B的概率。P(B) 是B出现的概率,在这里具体计算稍微复杂一些,指当A出现时B的概率和当A不出时(用A_来表示)时B的概率的总和。
用公式表达就是 P(B) = P(B|A) * P(A) + P(B|A_) * P(A_)。P(B|A) / P(B) 。
简化的理解为:
后验概率 = 先验概率 x 修正因子
举个例子。
比如新进入一家公司,不确定这里MBA学历对员工升迁的作用,而这个对你的个人发展很重要,因为要决定接下来是不是去读一个MBA学位。由于新来,压根没有样本,这时候就可以采用贝叶斯定理。
P(A) 是根据过往经验事先估计的,MBA对升迁有多大好处?比如先预估一个30%。这时候,出现了一个新信息B,小王升迁了,而且小王是MBA。那么,P(B|A) 是说当MBA管用时,小王升迁的概率。比如你现在的判断是80%。小王可能本身就有能力且业绩突出,就算没有MBA也可能会升迁啊,所以P(B|A_) = 50%(这个公式自动的帮助我们避免走极端)。
套入贝叶斯公式,P(A|B) = 30% * 80% / (80% * 30% + 50% * 70%) = 41%。从30%提高到了41%。那么当小王升迁这个新情况出现以后,你对MBA作用的概率判断从30%提高到了41%。
但是,过了段时间,发现同样是MBA的小李,熬了很多年也没有升迁,最后辞职了。现在对小李因为MBA有效而升迁的概率判断降为20%了。套入公式,新的P(A|B) = 41% * 20% / (20%*41% + 50%*59%) = 22%。从刚才的41%跌了近一半。
这样几次下来,就能对这个这家公司对MBA的看法有个相对靠谱的判断了。
拉普拉斯说过,所谓的概率就是把人们的常识用数学表达出来。也有人说,人脑就是采用贝叶斯方法来工作的。
但是人脑有是有偏差,有误区的,这个公式让人忽然获得了一个上帝视角,来审视一下,自己究竟是怎么做判断,做决定的,计算机又是怎么模仿并超越我们的,这岂不是很美妙的一件事情 。
贝叶斯定理给的启示
塔勒布说过,数学不仅仅是计算,而是一种思考方式。
现实世界中,我们没法时时刻刻拿出电脑来演算一下公式,但是仍然可以通过这个定理得到一些宝贵的启示:
大胆假设,小心求证。不断调整,快速迭代。这就是贝叶斯方法。
当信息不完备时,对概率的判断没有把握时,当然可以选择以静制动,但是不行动也是有代价的,可能会错过时机,也没有机会进步。这个时候,贝叶斯方法提供了一个很好的思路,先做一个预判,动起来,利用新的信息不断修正原来的预判。
当没有把握时,很容易根据新信息调整看法。更大的挑战是,已经形成了一个看法,甚至有了成功经验时,当新情况出现后,能不能也去调整自己看法。有了新信息,要对原来的看法做多大程度的修正呢?
这些,不可能有标准答案,但是明白了这个道理,有助于及时又谨慎的做出调整。
初始概率很重要
初始概率越准确,就能越容易、越快速的得到真实的概率。疑邻盗斧,以貌取人,会让人离真相越来越远。
如何获得相对靠谱的初始概率,是个硬功夫,它需要经验、人脉、平时的深度思考,有时甚至和底层的价值观、思维方式都有关。
丹尼尔.卡尼曼在他的《思考,快与慢》里,特地强调了初始概率对贝叶斯方法的重要性。
对出现的特殊情况要引起足够的重视
万分之一概率的事情,也有可能因为特殊事件,一下子变成了50%。
所以,每当出现特殊的、罕见的情况时,要保持高度警惕,同时也看到,如果检测精度不够高,即便出现了罕见事件,真实概率也可能不到10%。所以,具体要怎么采取行动,还需要进一步观察。
信息的收集,信息的质量,以及对信息的判断,是提高决策水平的最重要环节
只要有新信息,就可以修正,哪怕初始判断错了,新信息足够多,也能修正过来。但是没有信息,就没有修正。
所以,在做决定之前,尽可能多的收集信息是必须的。但是错误的信息、低质量的信息,会让你的修正偏离真相越来越远,你能不能区分信息来源的可靠性、能不能进行交叉验证、逻辑推理,就显得至关重要。
要做到这些,甚至某一些,都并不容易,掌握里面的平衡,就更加困难。
所谓高手,就是把自己活成了贝叶斯定理。
z
✋热门推荐