Voiko Math ennustaa mitä teet seuraavaksi?

Hyvät tiedemiehet eivät kykene ainoastaan ​​paljastamaan opintojaan koskevia malleja, vaan käyttämään tätä tietoa tulevaisuuden ennustamiseen.

Meteorologit tutkivat ilmakehän painetta ja tuulen nopeutta ennustamaan tulevien myrskyjen kulkureittejä. Biologi voi ennustaa kasvaimen kasvun sen nykyisen koon ja kehityksen perusteella. Rahoitusanalyytikko voi yrittää ennustaa osakekannan nousua ja laskua sellaisten asioiden perusteella, kuten markkina-arvo tai kassavirta.

Ehkä vieläkin mielenkiintoisempi kuin edellä mainitut ilmiöt ovat ihmisten käyttäytymisen ennustaminen. Yrittäjät ennustaa, miten ihmiset käyttäytyvät, on ollut olemassa ihmiskunnan alkuperän jälkeen. Varhaiset ihmiset joutuivat luottaa heidän vaistoihinsa. Nykyään markkinoijat, poliitikot, oikeudenkäynti-asianajajat ja enemmän elävät ennustamassa ihmisen käyttäytymistä. Ihmisen käyttäytymisen ennakointi kaikissa muodoissaan on suuri yritys.

Joten, miten matematiikka tekee ennustaa omaa käyttäytymistämme yleensä? Huolimatta osakemarkkinoiden analytiikan, talouden, poliittisen äänestyksen ja kognitiivisen neurotieteen edistymisestä - jotka kaikki lopulta pyrkivät ennustamaan ihmisen käyttäytymistä - tiede ei ehkä koskaan pysty siihen täysin varmuudella.

Suuremmat ja paremmat tiedot

Ennusteita tehdessään tiedemiehiä on historiallisesti rajoittanut täydellisten tietojen puute, ja se perustuu pieniin näytteisiin laajemman väestön ominaisuuksien perusteella.


sisäinen tilausgrafiikka


Mutta viime vuosina laskennallinen teho ja tiedonkeruumenetelmät ovat edenneet uuteen kenttään: suuriin tietoihin. Kerättyjen tietojen valtavan saatavuuden ansiosta tiedemiehet voivat tutkia empiirisiä suhteita monenlaisten muuttujien välillä melujen signaalin salaamiseksi.

Esimerkiksi Amazon käyttää ennustava analyysi arvata, mitkä kirjat haluamme mielellämme aiemman selaus- tai ostoshistorian perusteella. Samoin automatisoidut online-mainoskampanjat kertovat meille, mitkä ajoneuvot ovat kiinnostuneita edellisenä päivänä etsittyjen ajoneuvojen perusteella.

Markkinoijat käyttävät syntymätietoja päättää, milloin sinetöidä sinut vauvan tuotteiden mainoksilla. He arvailevat jopa, kun tarvitset näitä asioita lapsesi kehitysvaiheen perusteella.

Se ei ole rakettitiede. Se on yksinkertaisesti tietoa (dataa), joka näyttää kuvioita ja hyödyntää näitä malleja ennustettavuuden (ja usein voittojen) nimissä. Näiden algoritmien tarkkuuden mittaaminen ulkoiselle on kuitenkin vaikeaa, siellä on jotakin työtä joka paljastaa, mitä nämä algoritmit tekevät.

Matemaattiset mallit

Monet ennustustyökalut luottavat koneen oppimiseen, joihin kuuluu matemaattisia algoritmeja, jotka perustuvat aivotoiminnan biologisiin periaatteisiin ja käyttävät valtavia määriä dataa oppimisen malleihin.

Koneen oppimisalgoritmit voivat ennustaa tarkasti Korkeimman oikeuden asiatkäyttämällä tällaisia ​​ennustajia kunkin oikeuden oikeuteen, väitteen kuukauteen, vetoomuksen esittäjään ja muihin tekijöihin. Vaikka algoritmin tuotoksen tarkkuus on vain noin 70 prosenttia, se on todellakin osoittautunut paremmaksi kuin ihmisoikeusasiantuntijat.

Muita koneen oppimisalgoritmeja on osoitettu ennustaa itsemurhayrityksiä 80: n tarkkuudella 92-prosenttiyksikköä, mikä on luultavasti tarkempi kuin edes paras ihmisen arviointi.

Matematiikka voi jopa kertoa meille terroristien käyttäytymistä johtaa hyökkäykseen. Yhdessä tutkimuksessa tutkijat tarkastelivat Irlannin terroristitoimintaa, erityisesti räjähdysmäisiä parannettuja räjähteitä. Yhden tapahtuman jälkeen toisen tapahtuman todennäköisyys oli suurempi kuin ei. Toisin sanoen tapahtumat eivät olleet riippumattomia. Tällaiset tiedot saattavat olla hyödyllisiä yhteisölle, ehkäpä halutessaan ottaa välittömästi käyttöön ponnistelut yhden hyökkäyksen jälkeen toisen odottaessa.

Onko täydellinen ennustus mahdollista?

Suuret tiedot ovat tehneet ennustamismenetelmiä yhä tarkemmiksi. Mutta voiko ihmisen käyttäytyminen koskaan ennustaa täydellisesti?

Perusyhtälö on Y = f (X), joka lukee: "Y on X: n funktio." Syötä arvo X: lle, ja tiedemies kertoo sinulle todennäköisen arvon Y: lle. Mitä monimutkaisempi malli, mitä enemmän tarvitaan lisää tuloja, joten yksinkertainen yhtälö saa paljon monimutkaisemman.

Tietenkin se ei aina toimi. Hurrikaanit ottavat reittejä, joita säämallit eivät ennustaneet. Kasvaimet kasvavat hitaammin tai nopeammin kuin ennustettiin. Tiedemiehet, kuten kukaan muu, harvoin, jos koskaan ennustavat täydellisesti. Riippumatta siitä, mitä dataa ja matemaattista mallia sinulla on, tulevaisuus on edelleen epävarma.

Niinpä tiedemiesten on sallittava virhe meidän perusyhtälössä. Toisin sanoen Y = f (X) + E, jossa ”E” kattaa kyvyttömyytemme ennustaa täydellisesti. Se on osa yhtälöä, joka pitää meidät nöyrinä.

Teknologian kehittyessä tiedemiehet voivat huomata, että voimme ennustaa ihmisen käyttäytymistä melko hyvin yhdellä alueella, mutta vielä puuttuu toisesta. On hyvin vaikeaa antaa yleistä merkitystä rajoituksista. Esimerkiksi kasvojen tunnistaminen voi olla helpompaa jäljitellä, koska visio on yksi monista ihmisen aistinjalostusjärjestelmistä, tai koska on vain niin monta tapaa, jolla kasvot voivat vaihdella. Toisaalta äänestyskäyttäytymisen ennustaminen, erityisesti 2016in presidentinvaalien perusteella, on aivan toinen tarina. On monia monimutkaisia ​​ja vielä ymmärrettäviä syitä siihen, miksi ihmiset tekevät mitä he tekevät.

ConversationToiset kuitenkin väittävät, että ainakin teoriassa täydellinen ennustus on joskus mahdollista. Siihen saakka matematiikka ja tilastot voivat auttaa meitä yhä enemmän ottamaan huomioon, mitä ihmiset keskimäärin tekevät seuraavaksi.

Author

Daniel J. Denis, kvantitatiivisen psykologian dosentti, Montanan yliopisto ja Briana Young, Ph.D. ehdokas kokeellisessa ohjelmassa, Montanan yliopisto

Tämä artikkeli julkaistiin alunperin Conversation. Lue alkuperäinen artikkeli.

Liittyvät kirjat:

at