人工智慧時代，一個自我實現的預言 （中）
上回我們講到現在的人工智慧，最重要的價值就是越來越能提供廉價且準確的「預測」。在《AI經濟的策略思維》一書中，作者強調：預測就是情報，是以已經掌握的資訊，來創造還未掌握的資訊，填補缺失的環節，而這就是人類智慧的關鍵。
想像一下，你現在回到幾十萬年前，成為智人的老祖宗，你一個人直立行走在草叢中，突然看見不遠處有一叢草枝擺的幅度比較大，在這一瞬間，你馬上判斷這搖擺的方式不是風吹，而是動物在動，甚至還判斷出動物的大小跟可能是什麼動物，於是要嘛你拔腿就跑，要嘛找尋周遭有無石頭好防身，代表你已經藉由察覺環境中出現的模式，推斷出草叢後可能的危險。
但要是你這位老祖宗看到這樣的情形，卻待在原地思考要用什麼科學方法來調查草叢搖擺的原因，甚至滿懷好奇心地撥開草叢，想直接目睹，你極有可能成了猛獸的餐點，沒機會把你那充滿好奇的基因跟思維方式傳下來。
雖然這樣的預測其實就是腦補，而且我們都知道到了現在，我們這種腦補的 #捷思 已經成了一個大問題，讓我們很容易被有心人刻意產出、安排的資訊陷阱（例如假新聞）給矇騙，但我們還是得感謝我們的老祖宗愛腦補，不然也輪不到我們現在擔心這些問題，早就被淘汰了。
在機器學習出現之前，我們主要是用統計方法中的多變數迴歸分析 (multivariate regression) 來有效率地降低預測錯誤。這種方式可以在數據比較少，而且可以判斷 #大概是哪些條件對預測有幫助 的時候。
什麼是迴歸分析：
https://zh.wikipedia.org/wiki/%E8%BF%B4%E6%AD%B8%E5%88%86%E6%9E%90
多元線性回歸分析預測法
https://wiki.mbalib.com/zh-tw/%E5%A4%9A%E5%85%83%E7%BA%BF%E6%80%A7%E5%9B%9E%E5%BD%92%E5%88%86%E6%9E%90%E9%A2%84%E6%B5%8B%E6%B3%95
例如，假設我們要預測一家電信公司的 #顧客流失率，你覺得要注意哪些條件呢？一個最主要的觀察重點，就是用戶用 #手機上網的時間跟消耗的流量，畢竟如果他們都沒在用，就可能會把帳戶停了。
但機器學習就不是這樣子，不需要跟迴歸分析一樣，先確定條件，而是讓機器自己從大量資料中辨識出特徵或模式，例如同樣要預估電信公司的顧客流失率，你就可以建立模型，然後把每分鐘的通話、簡訊或上網紀錄、帳單金額、準時付款與否、甚至每天數百萬使用者的地點等各種資料都交給人工智慧去學習、並找出模式。變數可能有好幾千個。
例如你可能會發現，在每個月前幾天就花很多時間講電話的顧客，比起帳單金額高，但都在每個月最後幾天講電話的人，比較不會流失。或是在每天 9-17 點常用電話的人，比起少用電話的人，更容易流失。這些都很難一開始就預測到，但機器學習可以透過 #資料探勘 (Data mining)，找到從我們眼角溜過的那些蛛絲馬跡。
有了好的預測，會大大的影響決策。就像上篇中的一張圖表示的。舉例來說，棒球教練會根據對方打者的擊球模式、過往的打擊數據（也就是 #輸入）判斷這個打者可能會打出安打，或是內野滾地球被接殺，這就是 #預測。
接著教練得做出怎麼安排野手的守備位置比較好的 #判斷。
如果往外野退，但打者打出內野犧牲打、讓隊友盜壘怎麼辦，如果往內野縮，那就可能會讓外野安打失分更多，又該怎麼辦？權衡之後，教練就得發出指令，這就是 #行動。
接著就是看打者到底會被三振、還是擊出安打、還是被接殺...最後的結果也將以 #數據化的形式，成為訓練預測跟判斷的 #資料。
同樣的，醫生會根據我們的症狀找出模式，來對症下藥。股市交易員會針對指數的升降，找出模式，然後加以預判，看是要買進或賣出。
我們也會根據走路姿態，甚至腳步聲，認出從走廊走過來的是誰，決定要不要跳出來嚇她（誤）或跟咬著吐司與她互撞來交換靈魂（無誤）。
我們人類所做的事情都跟預測有關，但也都不只是預測，因此各位可以想想，如何「拆解」一件事情，變成很多個細節小任務，然後去想：這許多小任務中，有哪些其實就是在「預測」？那麼，如果要讓人工智慧來代替這個預測的環節，我們需要哪些資料來訓練呢？
相較於人類的預測，機器的預測可以規模化，每次預測的單位成本會越來越低，而且速度將漸漸比人類更快、更好。這是很有競爭力的一點。但有兩個挑戰：
第一：就目前以及可預見的近未來來看，人類的認知模式還是比人工智慧更能了解真實世界的運作，我們的感官跟大腦讓我們能夠用很少量的數據就做出預測。所以，在非典型事件、資料量較少的情況下，人類預測的正確率還是遠超過機器預測的。
第二：雖然預測的成本低了，但判斷跟行動的代價還是很高，這時候最好的方式就是結合人類跟機器。並且讓機器去學習「#人類在這種情況下會怎麼做？」
舉例來說，現在 Google 等公司提供的翻譯就是一種預測，他們透過深度學習，對一篇英文文章提出機器所能得出的中文版本，通常會提出好幾個版本讓我們去挑選，我們可以省下一個字一個字自己去全文翻譯，或是請人翻譯。
如果機器預測的品質，也就是翻譯的結果太差，我們就會放棄。但如果品質不錯，我們挑了一個版本之後，可以自己簡單調整修飾，看是要改成口語一點還是嚴謹一點，就可以省下不少時間。透過人與機器的搭配，決策跟行動都可以更有效率。
自駕車也是一樣。除了讓電腦不斷提升辨識路況、號誌、各種物件、各類訊號的精準度以外，先當個副駕駛，學會人到底是怎麼開車的、在不同的情況下會怎麼做，其實更是關鍵。
在我想好下篇該寫什麼之前，大家不妨可以分享一下你的看法：你在日常生活中已經感受到哪些「預測平價化」帶來的改變呢？
上集請見：
Medium https://medium.com/%E9%84%AD%E9%BE%9C%E7%85%AE%E7%A2%97%E9%BA%B5/%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E6%99%82%E4%BB%A3-%E4%B8%80%E5%80%8B%E8%87%AA%E6%88%91%E5%AF%A6%E7%8F%BE%E7%9A%84%E9%A0%90%E8%A8%80-%E4%B8%8A-f7f344e8be0
FB:
https://www.facebook.com/noodleswithturtle/posts/570211210140916
再推薦一次好書：
《AI經濟的策略思維》
https://www.books.com.tw/products/0010803316
想上我跟洪智傑老師開的的 AI 入門課，請到這裡：
https://panschool.asia/product/人工智慧必修課
multivariate regression中文 在 [問題] 多變量分析與單變量分析結果如何解釋？ - 看板Statistics 的推薦與評價
大家好
想請教一個單變量分析(univarite analysis或叫做simple regression)
和多變量分析(multivariate analysis或叫做multiple regression)
的結果解釋問題
---------------------------------------------------------------------
我有一筆資料是類別變相和連續變項的混合,依變項也是一個類別變項
所以我用logistic regression 來進行回歸分析
一開始先用univariate analysis 一個個丟進logistic regression
結果發現自變項A和C對結果有顯著影響
可是如果全部變項一起進行multiple variate analysis 用logistic regression
卻發現A和C變項對於結果沒有顯著差異
請問我該如何解釋這樣的結果？
可以說A和C對於結果有統計上顯著的差異,
但是其他變項拖累結果導致整體而言不顯著嗎？
或是需要進行其他的post-hoc analysis?
謝謝大家的回答
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 111.248.55.93
※ 文章網址: https://www.ptt.cc/bbs/Statistics/M.1479400228.A.B20.html
... <看更多>