A kék smaragd
Most emlékezzünk a pulyka problémájára. Visszatekintve, és a múltbeli tapasztalatokra támaszkodva bizonyos szabályokat hoz a jövőre nézve. Tehát a múltbeli tapasztalatokra alapozott előrejelzések komolyabb piszkos trükkökkel vannak teli, mint a fent elemzettek. Az a tény, hogy ugyanazok az adatok szolgálhatnak a radikálisan ellentétes elméletek alapjául! Ha túlélsz holnapig, akkor ez azt jelenti, hogy: a) megnöveli a halhatatlanság elérésének esélyeit; b) kicsit közelebb vagyunk a halálhoz. Mindkét következtetés ugyanazon adatokon alapul. Ha hosszú ideig rendszeresen táplálkozik, akkor naiv módon feltételezheti, hogy az etetés megerősíti a biztonságot; vagy betekintést nyújtani és eldönteni, hogy megerősíti azt a veszélyt, hogy valaki ünnepi vacsorává válik. A barátom engedelmessége, ami a múltban is megnyilvánulhat, őszintén ragaszkodhat hozzám és aggodalmam a jólétem iránt - az önérdeke és a titkos vágya, hogy egy nap átvegye az üzletemet.
Olyan sorozat, amely tükrözi a bakteriális populáció (vagy az értékesítési számok vagy az időben nyomon követhető változók) látható növekedését, mint a 4. fejezetben szereplő pulyka által fogyasztott élelmiszerek teljes mennyisége.
Egyszerűen illeszkedik egy trendhez (azaz trendhez): van egy, és csak egy, lineáris modell, amely illeszkedik ezekhez az adatokhoz. Kiterjeszti a jövőre.
Nézd meg a nagyobb méretarányt. Más modellek is alkalmasak.
Az igazi "generáló folyamat" rendkívül egyszerű, de semmi köze a lineáris modellhez! A görbe egyes részei csak lineárisan jelennek meg, és a csapdába esünk, és egyenes vonalat extrapolálunk *.
Ezek a grafikonok a narratív hiba statisztikai verzióját illusztrálják - megtalálja a múlthoz illő modellt. A "lineáris regresszió" és az "R-négyzet" teljesen bosszantja a fejét. Megnézheti a görbe lineáris részét, és egy nagy R-négyzetet büszkélkedhet, amely állítólag jelzi, hogy az adatok jól illeszkednek a modellbe, és nagyszerű prediktív teljesítménye van. Mindez értelmetlen: csak lineáris szegmensre alkalmas. Mindig ne feledje, hogy az R-tér nem alkalmas Krajnestana-ra. (Az R-négyzet 0-tól 1-ig terjedő szám, ami a trendvonal értékének közelségét tükrözi a tényleges adatokhoz.) A trendvonal a legmegfelelőbb, ha R2 közel van az 1. -Prim Edhez.
A múlt azonban zavaró lehet, a múltbeli események értelmezésében sok szabadságfok van.
Itt van egy grafikus illusztráció: nézzünk egy sor pontot, ami egy bizonyos számú időbeli változást jelez (3. ábra), - a grafikon hasonlít a 4. fejezethez tartozó 1. ábrához, amely a pulyka első ezer napját mutatja. Tegyük fel, hogy a tanár arra kéri Önt, hogy folytassa egy sor pontot. Lineáris modellel, azaz vonalzóval csak egy egyenes vonalat húzhatsz meg, egyenes vonalat a múltból a jövőbe (4. ábra). A lineáris modell egyedülálló. Van egy, és csak egy, egy vonal, amely egy adott pontkészletre épülhet. De minden sokkal bonyolultabb lehet. Ha nem ezen az egyenes vonalra koncentrál, akkor azt találja, hogy sok görbe van, a legkülönfélébb konfigurációk, amelyekhez a pontok kapcsolódhatnak. A múlton alapuló lineáris előrejelzést követve továbbra is észreveheted a trendet. De a jövőbeli lehetséges eltérések száma a múltban meghatározott végtelen.
Nelson Goodman filozófus ezt az indukció problémáját nevezi: egyenes vonalat építünk csak azért, mert a lineáris modellünk van a fejünkben - az a tény, hogy a változó 1000 napig egymás után nőtt, bizalmat ad, hogy tovább fog növekedni. De ha van egy nemlineáris modell a fejedben, akkor megmutathatja, hogy a 1001. napon lesz fordulópont.
Az indukciós probléma az elbeszélés torzításának egyik változata; vannak végtelen sok "történet", amely elmagyarázza, amit látott. A probléma, azt kell mondanom, nagyon komoly: ha nincs egyetlen módja annak a "generalizálására", ami ismert, hogy feltevéseket tegyen az ismeretlenről, hogyan kell cselekedni? A válasz természetesen ez: a józan észre kell támaszkodnia. Azonban a józan ész, nagyon nehéz lehet megbirkózni néhány változóval a Krajnestana területén.
Ossza meg ezt az oldalt