多問自己乙個「那又怎樣？」，會很有用。
7月初，我赴南京參會。 james hendler 教授的演講非常精彩。
其中乙個片段，讓我印象深刻。
他說，許多人跑模型，跑出來乙個比別人都高的準確率，於是就覺得任務完成了。他自己做健康資訊研究，通過各種特徵判定病人是否需要住院**。很容易就可以構建乙個模型，獲得很好的分類效果。
但是，這其實遠遠不夠。因為別人（例如他的醫生客戶們）非常可能會問出乙個問題「so what?」 （意即「那又怎樣？」）
我聽了深以為然。
因為模型準確率再高，有時也免不了會有運氣的成分。能否在實際應用中發揮作用，並不能單單靠著乙個數字來說明。
醫生們都有自己作為專業人士的驕傲。如果計算機模型不能從理據上說服他們，那肯定是不會加以採納的。同時，他們對於病患的健康和生命安全，也有足夠重大的責任，因此無法簡單接受機器模型的結果，而不加以自己的理解與思考。
對於機器學習模型研究的這種批評，之前我也聽到一些。但是不少人僅僅是批評，卻沒有給出有效的解決方法。
該怎麼辦呢？hendler 教授的解決辦法，是給醫生展示一些統計圖表。例如描述年齡與二次入院關係的散點圖。
我聽了大為驚詫，提問環節第乙個就把話筒搶了過來，問：
這種圖形，屬於描述統計。難道不應該是正式進行模型訓練之前，就做了的嗎？如果把它作為溝通模型的結果，那還做什麼機器學習呢？hendler 教授耐心地給我解答了這個問題。
他說，沒錯，這個圖形確實屬於描述統計。然而，數百上千個特徵裡面，知道該匯報哪幾個變數的統計圖，就必須是機器學習之後才能做的。
實際上，醫生們看了這個簡單的統計圖之後，非常震撼。
他們的刻板印象認為，老年人身體狀況差，因此二次入院機率高；年輕人身體好，自癒能力強，因此不大容易「二進宮」。
就此，他們發現了一直以來決策上的失誤——對於年輕病患，他們往往比較放心，因此缺乏足夠的留院觀察和**；反倒是對老年人，照顧得更加精細。造成的結果，是本以為沒事兒的年輕人，再次重症發病入院；老年人卻不少都**後健康回家了。
這種結果的傳遞溝通，有效地改進了醫生的決策和行為方式。
其實，hendler 教授的研究目的，不是去跟別人比拼乙個數字，而是幫助醫生更好地幫助病患。看似最為簡單，沒有技術含量的統計圖，反倒比各種黑科技更能起到實際作用。
茶歇的時候，我們又聊了20分鐘。
他給我講，他的博士生，現在正在嘗試在深度學習中找尋那些影響最後結果的關鍵要素，有的時候，甚至會選擇跨過層級，來設計最簡單明確的變數間關聯設定。這樣，深度學習的結果，可以最大限度（對別人）進行解釋。即便會犧牲一些（當然不會很大）準確率，也在所不惜。
為什麼我們一直對準確率的數字，這麼著迷，而忽略了模型的溝通解釋呢？
其實道理也很簡單，機器學習的最初廣泛用途，給我們的思維帶來了路徑依賴。
還記得嗎？機器學習逐漸受到世人重視的案例？
我說的不是 alphago。
就是幾乎每一本講機器學習的書，都會用到的那個例子，mnist。
專家們最初要解決的問題，無非是把原先需要人工分揀的郵件，變成機器自動分揀。關鍵在於手寫數字的識別。
這個具體用例，有它的特點。
首先是任務目標單一，就是追求更高的準確率；
其次是分類數量確定，0-9，一共10個數字，不會更多，不會更少；
最後是犯錯成本低，即便準確率達不到100%，也沒有什麼大問題——寄錯了信，在人工分揀時代也是正常。
於是，這樣的任務，就適合大家拼結果準確率數字。
但是，人們的思維慣性和路徑依賴（包括各種競賽的規則設定），導致了後面的機器學習任務，也都只關注數字，尤其是準確率。
但這其實是不對的。類似於決策支援，尤其是健康醫療的決策支援，就不適合單單比拼數字。
即便誤判 0.1%，背後可能也是許許多多鮮活的生命，因此犯錯成本極高。
醫生並沒有因為模型的準確率提公升而被取代，反而在資訊浪潮奔湧而來的場景下，充當把關人的角色，責任更加重大了。
乙個模型要能說服醫生，影響其決策行為，就必須解釋清楚判斷的依據，而不能遞給他乙個黑箱，告訴他：
你該這樣做。原理想明白了，怎麼實施呢？
如果每乙個模型跑完，都只是拿出多張描述性統計圖給使用者，好像也不大合適。
通過文獻閱讀，我發現了其他機器學習研究人員為了解釋結果所做的努力。
在深度學習領域，現在做得比較好的，是卷積神經網路。
在《文科生如何理解卷積神經網路？》一文中，我給你解釋過卷積神經網路的概念和使用方法。
但是，我們當時，還只是給你講解如何用它進行分類等，沒有涉及解釋方案。
你看這樣一幅圖，機器模型可以很容易分辨它為「非洲象」。
但是，這到底是機器具有了辨別能力，還是只不過運氣使然呢？
單看結果，不好分辨。但是我們可以對卷積神經網路訓練的結果引數進行視覺化，並且疊加到原圖上，你一眼就可以看到，機器做出影象分類的依據，究竟是什麼。
顯然，在機器重點關注的區域裡，象的鼻子和耳朵佔了最大的決策比重。
由此可以看出，這不是簡單的好運氣。
以上例子，來自於 françois chollet 的《deep learning with python》。書中附有詳細的**，供你用 python 和 keras 自己實現這種視覺化結果。
你訓練出的模型表現好，這是成功的基礎，但不是全部。
只展示乙個數字給別人，在很多特定的應用場景下，是不夠的。問題越是重要，犯錯代價越高，這種方式就越不能被接受。這時候多問自己乙個「那又怎樣？」，沒有壞處。
你需要明確自己使用者的需求。與之有效溝通的關鍵在於用同理心，尊重對方。作為乙個人，特別是乙個專業人士，對方進行有效思考的要件，就是足夠的理據支撐。
不管是用文中介紹的卷積神經網路視覺化方法，還是 hendler 教授所做的看似基礎無比的描述性統計圖，都可以根據問題的特點，加以採用。只要能夠真正影響對方的決策，幫助他們更好地達成自己的目標，你的機器學習分析，便有了更佳的效果。
如果你對資料科學感興趣，不妨閱讀我的系列教程索引貼《如何高效入門資料科學？》，裡面還有更多的有趣問題及解法。
如何與老闆的有效溝通
進入職場這麼多年，一直沒有認真思考過，怎麼和老闆有效的溝通。今年才想清楚。與老闆有效溝通的確比較重要，能與老闆有效溝通能，不管是加工資還是職位上去都是有用的。當你的職位比較低的時候，沒有和老闆直接溝通的時候 這個時候寫出來很重要，以報告，信件的方式。老羅這麼強，當年能撬動新東方的大門，還是給洪哥寫了...
如何有效的溝通 會議 1
一件自豪的事，如果處理不好，將淪落為為他人作嫁衣裳的慘狀。會前不去準備重點，會上將偏離最初的設想，你的重心將會偏移。有人很善於蠅營狗苟，很會攻擊，他會拿出乙個小點對你進行攻擊，批判。而你用乙個不高明的內容展示自己的思想，導致的結果是大家對自己思想的理解產生偏差，對概念提出異議 失敗的原因可能有 1 ...
如何做到有效的溝通？
本文不敢談高效溝通，只根據作者感受談談如何做到有效溝通。生活和工作中溝通不可或缺，因為溝通不暢，溝通不到位造成的問題也是數不勝數，導致諸多無端的煩惱。那麼如何做到有效溝通呢？本人總結以下幾點，供參考 1，深入了解目的。做事要動腦筋，從別人的角度出發，了解做事背後要達成的真正的目的。本著有助於解決問題...