空间选择模型--既能帮决策,还可助推断

简介: 空间选择模型--既能帮决策,还可助推断

在上一篇多准则决策模型中,我们讨论出用打分的方法,对主体在不同维度进行评估,然后综合各项指标来比对做选择。今天我们再来学习一种简单实用,能帮我们做出更好决策的「空间选择模型」,这个模型由经济学家Harold Hotelling首先提出。

假设你在海里玩了一圈,回到沙滩上,饥渴难耐,你发现在左边50米处有个冰淇淋售货机;而在右边40米处也有一个冰淇淋自动售货机,正常情况下,你会飞奔向离你近的右边的冰淇淋售货机。

这就是空间选择模型,在地理空间中,我们会选择距离自己近的那个。当然,空间模型不仅限于地理空间,还可以拓展到其他方面。在我们的心中,对不同的偏好会有一个「理想点」,我们会挑选距离理想点最近的产品或服务购买。

比如,你手机坏了,要买一个新手机,你很喜欢看公众号文章,并经常对文章赞赏。在你心中,手机能不能方便的赞赏文章很重要。所以你买手机的时候,就会选择更加易于赞赏文章的安卓手机,而不选择苹果手机。

这个模型非常简单,也很好理解,如何用在具体决策中呢?我们举两个例子。

最近你对键盘长了草,在机械键盘和电容键盘HHKB之间犹豫不定。这时就可以用空间选择模型来辅助决策。

你找出两个最看重的键盘参数,比如一个是手感,一个是DIY特性,然后将这两个参数作为纵横坐标。我们将画出图来会更直观,五角星代表你,机械键盘的手感明显有优势,放在右下角的位置。

HHKB小巧,DIY特性好,可以适应几乎所有的系统和平台,它应该在左上角的位置。然后你用直线将五角星和两个键盘连起来,发现d1<d2,也就是说你更看重的是HHKB随身携带的便捷性和DIY特性。

空间选择模型帮助你做了决策,你喜欢的是HHKB。于是你打开了购物车,毫不犹豫的提交了一个2000多元的HHKB键盘订单。

我们再举一个吃货喜欢的。假设我理想中的汉堡成分是这样的:两块奶酪,两块肉,两片西红柿,四勺番茄酱,四勺蛋黄酱,四片酸黄瓜(嘴挺挑的哈)。我们把这些内容做一个表格如下:

这6个参数构成了一个六维空间。现在我饿了,去买一个巨无霸还是汉堡王呢?作为一个吃货,对各种汉堡的成分研究的非常细致,先看巨无霸的构成:

图中第三列为巨无霸的构成,最后一列是第三列(巨无霸构成)与第二列(理想的汉堡)的差值(取绝对值)。简单计算得出,巨无霸的总差值为2+1+2=5,即巨无霸与我们的理想汉堡距离的差值为5。我们再来看一下汉堡王里有什么:

直接将最后的差值绝对数相加,1+1=2,汉堡王与我们的理想汉堡的差值是2,显然2<5,经分析得出汉堡王更贴近我的需求。

我们建立模型,不仅要用它来解释一些现象,更重要的是用它推断出看不见的本质或者个人偏好。

假设我们看到一位朋友买了汉堡王而没有买巨无霸,那么我们可以推断出什么呢?

我们将巨无霸和汉堡王列在一张表上,你会发现,它们两个间,奶酪成分是一样的,番茄酱和蛋黄酱也是相同的,那就可以推断出这位朋友可能喜欢西红柿,或者他不爱吃酸黄瓜和肉。

这就是酷酷的空间选择模型,它能让我们决定去哪儿买冰淇淋,该买什么样的键盘,选择吃那种汉堡。

我们也可以在产品上使用这个模型,比较不同的产品,不同类型的手机,口味各异的咖啡等;我们也可以通过人们购买的键盘或者汉堡类型,来分析研究人们购物的决定,判断人们的偏好。

———今日小结———

空间选择模型既可以帮助我们做出更好的选择,也可以解释和推断人们为什么做出了那个选择。

注:今天的模型来自于Coursera 中的Model Thinking 课程。

目录
相关文章
|
2月前
|
机器学习/深度学习 编解码 测试技术
TimeMOE: 使用稀疏模型实现更大更好的时间序列预测
TimeMOE是一种新型的时间序列预测基础模型,通过稀疏混合专家(MOE)设计,在提高模型能力的同时降低了计算成本。它可以在多种时间尺度上进行预测,并且经过大规模预训练,具备出色的泛化能力。TimeMOE不仅在准确性上超越了现有模型,还在计算效率和灵活性方面表现出色,适用于各种预测任务。该模型已扩展至数十亿参数,展现了时间序列领域的缩放定律。研究结果显示,TimeMOE在多个基准测试中显著优于其他模型,特别是在零样本学习场景下。
443 64
|
2月前
|
机器学习/深度学习 数据采集 算法
利用未标记数据的半监督学习在模型训练中的效果评估
本文将介绍三种适用于不同类型数据和任务的半监督学习方法。我们还将在一个实际数据集上评估这些方法的性能,并与仅使用标记数据的基准进行比较。
221 8
|
6月前
|
机器学习/深度学习 SQL 算法
如何在因果推断中更好地利用数据?
本报告从两个方面来介绍我们如何利用更多的数据来做好因果推断,一个是利用历史对照数据来显式缓解混淆偏差,另一个是多源数据融合下的因果推断。
|
6月前
|
机器学习/深度学习 数据可视化
数据分享|R语言生存分析模型因果分析:非参数估计、IP加权风险模型、结构嵌套加速失效(AFT)模型分析流行病学随访研究数据
数据分享|R语言生存分析模型因果分析:非参数估计、IP加权风险模型、结构嵌套加速失效(AFT)模型分析流行病学随访研究数据
|
6月前
|
数据采集
【大模型】大语言模型训练数据中的偏差概念及其可能的影响?
【5月更文挑战第5天】【大模型】大语言模型训练数据中的偏差概念及其可能的影响?
|
6月前
R语言估计多元标记的潜过程混合效应模型(lcmm)分析心理测试的认知过程
R语言估计多元标记的潜过程混合效应模型(lcmm)分析心理测试的认知过程
|
6月前
R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
|
机器学习/深度学习 数据采集 搜索推荐
特征构造:从原始数据中创造出高效信息
特征构造:从原始数据中创造出高效信息
153 0
|
机器学习/深度学习 监控 搜索推荐
深度粗排模型的GMV优化实践:基于全空间-子空间联合建模的蒸馏校准模型
随着业务的不断发展,粗排模型在整个系统链路中变得越来越重要,能够显著提升线上效果。本文是对粗排模型优化的阶段性总结。
1560 0
深度粗排模型的GMV优化实践:基于全空间-子空间联合建模的蒸馏校准模型
|
自然语言处理 数据挖掘
我们要对齐什么——从人类反馈数据收集过程中分析语言模型的对齐任务类型与对齐目标
在Modelscope活动中,主办方欲通过模型盲测收集并整理一批人类反馈数据。因为曾经使用直接偏好优化(Direct Preference Optimization)作为课程的小论文而对此领域有所了解,本次我在数据的收集过程之外,根据问答与模型的输出,结合论文From Instructions to Intrinsic Human Values A Survey of Alignment Goals for Big Models,具体探究了本次实验过程中的对齐目标。
358 0
下一篇
无影云桌面