3.42在线视频

数据思维还有一个特点就是

改变了对事件的相关关系的看法

把以前事件之间的因果关系

变成了相关关系

那么什么是两个事件的相关性呢

我用拼图的游戏来解释一下

大家都玩过拼图游戏

要把零碎的图片拼出一张完整的图

必须找到这些图片之间的联系

这些联系是细微的

不易察觉的

所以当我5岁的儿子玩复杂的拼图的时候

他几乎是拼不出来的

但有一次我发现他拼得非常快

甚至比我还快

这是为什么呢

他真的有这么聪明吗

当我把拼图翻过来才发现了奥秘所在

这个拼图的每张碎片

背后都有阿拉伯数字

只要按照背面的数字的顺序

把图片放在一起

再翻过来就是拼好的整张图

在这个例子里

正面图片之间的关系就是事件的因果关系

要找到图片之间的关系是非常难的

但是背后的数字关系却简单得多

这就是图片之间的相关关系

找到他们

就找到了解决问题的有效办法

中国有句古话

叫知其然要知其所以然

正面图片之间的关系就是

知其所以然

这需要拼图的人有复杂的逻辑分析能力

我的儿子是根本

不知其所以然

他应运的只是背后的数字

通过这些简单的数字

他跳过了前面需要复杂逻辑

才能完成的任务

按照简单的逻辑

自然得到了结果

这就是数据之间的相关性

也就是说

数据思维的本质就是

知其然但不一定要知其所以然

美国的总统竞选预测

在以前是通过民意调查问卷来做的

但是

要从几千万份

调查问卷来推测出某一年

哪一个党派的竞选人能够当选总统

并不是那么容易

而且也不准确

当人们开始了解数据相关性的分析方法后

就开始利用已有的数据

建立简单的数学模型来做竞选的预测

比如说

通过机器学习的方法来做总统竞选预测

预测是哪个党派的候选人能当选

思路是找一些与某个党派

是否竞选成功相关的参数变量

其中的一个预测算法

挑选了这样几个与候选人有关的参变量

比如候选人的三次辩论表现

候选人的政治立场

候选人的人品

那么还有一些经济数据

比如当时的失业率

工资增长率

通货膨胀率等等

把这些参变量与这个党派的候选人

是否当选建立一个线性分类模型

当然

也可以建立一个神经网络模型做一个分类器

然后用以往当选前

的历史数据来训练这个数学模型

得到理想的预测模型

这样

就可以用这个模型来预测当年

某政党是否在选举中获胜了

这个过程的细节我们在

我们在机器是如何学习的

的那一讲已经详细讨论过了

这种方法呢

比通过民意调查来预测的准确率高得多

用这个数学模型

在往年的25次

预测当中有22次都取得了成功

这种方法其实忽略掉了那些大家

看不清楚的因果关系

直接通过相关关系找到了答案

这是典型的数据思维的案例

说到这里

故事还没有结束

因为去年

用机器学习的方法做出的预测失败了

用机器学习的方法

做出的预测是希拉里获胜

但结果却是特朗普当选了

不过远在义乌为美国选民们生产

候选人支持标语的一位中国商人

却很早就知道特朗普会获胜

因为在他的订单里

有80%的订单是支持特朗普的标语

他告诉别人

特朗普的支持率蛮高的

10个人里有8个人都在支持他

他没有理由不当选

他不知道机器学习的方法

也不知道美国的选举情况

但是只从对候选人支持标语的订单数量

就得到了这样一个竞选的结果

这是因为他

找到了更简单和更准确的相关关系

这是知其然

但不一定要知其所以然的经典案例

看来

以后美国的竞选预测机构都可以关门了

大家直接请教这位商人就知道是谁当选了

这就是利用智能技术来解决问题的重要思路

在智能技术普及应用以前

要解决一个问题

一定要搞清楚两个要素之间的因果关系

也就是搞清楚是因为什么样的原因

所以才导致这样的结果

但从数据思维的角度出发

只要找到两个事件之间的数据相关性

就可以解决问题了

当然

有一大堆数据是不一定解决问题的

关键是能找到数据之间的相关关系

在商业上尤其如此

一位大数据专家曾经说过

大数据的意义

在于真正对生意有内在的洞见

如果你不能好好的利用数据

那不叫大数据

阿里曾经推出了一种保险

叫碎屏险

就是在用户购买手机的时候

推荐用户给手机购买屏幕1-3年的保险

但是这种碎屏险

并不是所有人都想购买的

那么什么样的人愿意购买这种保险呢

阿里专门为此建立了一个大数据团队

他们建了个模型

来找到碎屏险和购买者之前的关系

最后通过分析

他们意外的发现

喜欢紧身牛仔裤的人

购买这种保险的概率非常高

这样

当有人在淘宝上购买手机的同时

如果也购买了紧身牛仔裤

他们就会向这位顾客推荐碎屏险

这大大增加了碎屏险的销售

我们在创新思维方法那一讲曾经谈过

用新的角度去看待旧的事物

可以得到一些新的解决问题的方法

从数据思维的角度来看待原来的关系

就可能得到新的解决方案

数据思维在本质上是一种创新思维

我们再看一个相关性的例子

我们知道

自古以来人们就试图通过人的面部特征

来找到人的某种命运

比如中国古代有颅面术

可以通过看面相

来判断一个人以后

是否能够大富大贵或者有牢狱之灾

当然

种方法方法多少带有迷信的色彩

有意思的是

这种所谓的颅面术

通过机器学习的方法

在21世纪的今天复活了

在2016年

上海交大用AI技术做了

《基于面部图像的自动犯罪概率推断》

试图发现面相与犯罪率之间的关系

这引起了极大的争议

2017年

斯坦福大学公布了一篇论文

试图通过脸部特征来分析一个人的性取向

我们这里不讨论这些论文的道德伦理问题

我们仅仅从

数据思维的角度来看一看

这些科学家是怎么看待这个问题的

斯坦福的科学家们认为

人的面部特征

包含了很多跟性取向有关的信息

而且这些面部信息

如果单凭人的大脑分析是很难有什么结论的

他们认为一个人是否有同性恋倾向

与特别的面部特征是有关联的

这个判断是基于性取向产前激素理论

比如鼻子的形状

面部饰品的风格

和面部红外热分布图等等

他们用深度学习的方法

来对这些特征抽象并且建模

然后建立神经网络

这个神经网络的输入是人的面部特征

输出就是可能为同性恋的概率

他们把带有同性恋面部

特征的三万个数据样本

作为学习样本

通过我们上一讲

讲过的机器学习方法进行数据训练

用监督学习的方式

得到了判断一个人

是否有同性恋倾向的数学模型

通过这些案例

我们看到可以通过

数据思维找到

看似不相干事物之间的联系

这种以数据为核心的思维方式

让我们对事物之间的关系有了新的认识