引言：為什么研究現(xiàn)實情境中的分類

對確定性的需求是人類的天性，然而，這也是人類智慧的缺點。如果你要在某個未知天氣的日子帶孩子們野餐，他們會讓你就那天究竟是天氣晴朗還是下雨給出武斷的答案，當你不能確定時，他們會對你感到失望。

伯特蘭·羅素

想要將某個人歸入某一類別（朋友或敵人；值得信任或不值得信任）是人類與生俱來的天性，這種渴求為智力發(fā)展提供了基礎(chǔ)。如果我們不去構(gòu)成類別，我們就只能注意到個例，而觸及不到任何總體性的思考。然而，我們是如何進行分類的呢？以及我們應(yīng)該如何進行分類呢？

心理學家傾向于關(guān)注那些明確的環(huán)境，在那樣的環(huán)境中，待被分類的所有實體，其所有特征（包括概率）都是確定的。為了實現(xiàn)實驗控制的目標，典型的實驗室實驗需要人們將一些人造物體（如顏色、大小各不相同的圓形和三角形）進行分類，即根據(jù)精確已知、數(shù)目固定的幾個維度進行分類。

與此相反，本書離開了實驗室的確定性，而著眼于現(xiàn)實中根本的不確定性。與典型的心理實驗不同，現(xiàn)實情境指的是現(xiàn)實世界的環(huán)境，在這樣的環(huán)境中，未來是不可知的，而且不確定性不能有意義地簡化為概率。這種不確定性并不必然適用于所有現(xiàn)實世界的環(huán)境，例如賭場里的玩家是可以計算出獲勝概率的。然而，在大多數(shù)其他情況下，不確定性普遍存在，無論是選擇應(yīng)該投資的金融產(chǎn)品還是選擇最合適的結(jié)婚對象�，F(xiàn)代貝葉斯決策理論之父吉米薩維奇（Jimmie Savage）認為，即使是計劃野餐這樣的事情也不在他的理論范圍內(nèi)，因為人們無法提前知道所有可能發(fā)生的事件。我們可能首先就無法獲得與事件相關(guān)的信息，甚至這些信息每天都在變化。這提出了一個問題，即現(xiàn)實情境中的分類是否能夠在實際上基于科學，對此我們的回答是肯定的。本書介紹了一些精確的、正式的分類模型，在應(yīng)用心理學其他一些有趣且有用的研究中，我們通�？床坏竭@些分類模型的身影。正如我們將看到的，這些正規(guī)的模型與從業(yè)者們的專業(yè)知識很好地結(jié)合在了一起。

機器學習的研究人員也研究分類問題。為應(yīng)對實驗室實驗之外的復(fù)雜情況，他們已經(jīng)開發(fā)出了神經(jīng)網(wǎng)絡(luò)和隨機森林等工具。這些工具能夠應(yīng)對復(fù)雜性和不確定性，不過它們通常并不透明。例如，當基于這些工具搭建的系統(tǒng)用于資金問題或應(yīng)用于法庭時，貸款申請人和被告人通常弄不明白，為什么他們會被歸類為不可信的那類人，有的貸款申請被拒，有的不準予以保釋。在大多數(shù)情況下，此類系統(tǒng)不僅對銀行、法官不透明，對創(chuàng)造它們的工程師來說，也是不透明的。

本書致力于提高不確定性環(huán)境中的透明度，為讀者提供了易于理解、記憶、教授和執(zhí)行的工具。這些工具讓相關(guān)從業(yè)者可以在手邊沒有花哨的機器學習程序時（例如身處事故現(xiàn)場或自殺式襲擊現(xiàn)場）做出快速而準確的決策。本書還認為機器學習應(yīng)首先構(gòu)建透明的算法，而不是事后再去試圖解釋不透明的算法。

認知心理學和機器學習之間存在著另一個深刻的區(qū)別。心理學主要是描述性的，它回答人們實際上是如何進行分類的問題，而機器學習是規(guī)范性的，它回答的是人們應(yīng)該如何進行分類的問題。本書整合了是和應(yīng)該這兩個方面，我們關(guān)注一些啟發(fā)式，這些啟發(fā)式通常既具有描述性又具有規(guī)范性，也就是說，它們描述了有經(jīng)驗的相關(guān)從業(yè)者實際都做了什么事情，同時還對相關(guān)從業(yè)者可以如何改進工作實踐提出了建議。

我們在本書中呈現(xiàn)的分類工具屬于有限理性的范疇，有限理性這個術(shù)語是由赫伯特·西蒙（Herbert Simon）在20世紀50年代創(chuàng)造，他是人工智能的創(chuàng)始人之一，也是認知革命的先驅(qū)之一。有限理性的現(xiàn)代研究在西蒙的傳統(tǒng)中就是快速節(jié)儉啟發(fā)式程序，我們呈現(xiàn)的這些分類工具正是基于此程序。快速節(jié)儉啟發(fā)式是對認知心理學和機器學習中現(xiàn)有模型的有益補充，使人們可以在不確定性環(huán)境中進行快速、透明和準確的分類。

本書為認知心理學和機器學習的相遇提供了一個接觸點，展示了如何將心理學的分類研究擴展到不確定的現(xiàn)實世界中，還展示了如何從最初的認知原則（人類計數(shù)和排序的能力）中推導(dǎo)出簡單、準確的分類規(guī)則。此外，本書有助于實現(xiàn)可解釋化的機器學習。快速節(jié)儉的分類規(guī)則很容易理解和應(yīng)用。

在本書中，我們提出了兩個關(guān)鍵論點：

簡單規(guī)則在現(xiàn)實情境中表現(xiàn)良好。在國際象棋、圍棋或人臉識別等穩(wěn)定的情況下，如果有大量數(shù)據(jù)可用，復(fù)雜算法的表現(xiàn)優(yōu)于快速節(jié)儉啟發(fā)式。相比之下，在現(xiàn)實情境中，未來是不確定的，而且未來可能以一種不可預(yù)測的方式不同于過去，無論可用數(shù)據(jù)規(guī)模是大是小，簡單的啟發(fā)式都可以勝過復(fù)雜的方法，我們稱此為不穩(wěn)定世界原則。

透明度是一個關(guān)鍵值。我們的生活越來越受到算法的影響，這些算法根據(jù)公民的信譽、健康狀況以及社會和政治態(tài)度對其進行分類，其底層邏輯通常是不透明的，無論這是算法固有的不透明屬性還是出于保護商業(yè)秘密的宗旨。而另一方面，快速節(jié)儉啟發(fā)式從設(shè)計上就是透明的。在健康、財富和司法等敏感領(lǐng)域，理解算法的能力對于身處參與性民主制度的公民來說是必不可少的。不同于機器學習部分的共識，即假設(shè)最準確的算法一定既是本質(zhì)上復(fù)雜的又是不可解釋的，我們表明，透明的算法通常與黑匣子模型一樣準確，我們稱此為透明滿足準確原則。

在本書中，我們證實了這兩個論點可以一同發(fā)揮作用。我們并不是在使用難以理解的復(fù)雜算法與使用幾乎不準確的簡單算法之間做選擇。在現(xiàn)實情境中，簡單、透明并不是準確的對立面。