本文轉(zhuǎn)載自公眾號“讀芯術(shù)”(ID：AI_Discovery)。

“思考再思考，然后采取行動”，這樣的流程是不是聽起來很熟悉?大多數(shù)人都是這樣做的。

然而，這個思考流程很可能是一把雙刃劍：在一些情形下，結(jié)果可能積極有用，但在另一些情形下，結(jié)果可能有害，甚至反噬自身。后者是我們都希望避免的。為了清晰了解情緒的劃分，我編寫了這個機器學習(ML)程序。

[[348228]]

隔離階段讓我有機會探索自我并審視自己的思路。我不是一個沉思者，但是總會陷入紛亂的思緒之中，每當這時，我都需要理清思路。因此我要創(chuàng)建一個可以分析我的思考過程的ML模型。我用KNN算法判斷應(yīng)該避免的情緒，并通過可視化技術(shù)將我的情緒以圖形展示，使我清晰地一覽全貌。下面是我的做法：

• 作為開始，我創(chuàng)建了一個有不同想法的數(shù)據(jù)集;
• 使用KNN算法;
• 使用可視化技術(shù);
• 最后，我學會了分割思考過程。

創(chuàng)建數(shù)據(jù)集

數(shù)據(jù)集由九種情緒(特征)組成：沮喪，悲傷，卑微，哭泣，痛苦，困惑，快樂，振奮和堅定。我將它們分為三類(標簽)：積極，消極和中立。另外，我根據(jù)標簽對這九種情緒/特征均按1-10的標準進行了評分。于是我創(chuàng)建了共150個案例。這是數(shù)據(jù)集的前幾行：

使用KNN算法

在開始下一步之前，首先需要掌握一些監(jiān)督式學習的ML基本術(shù)語：

• 為了訓練、測試和評估一個模型，我們使用一系列案例;
• 這些案例包括與模型相關(guān)的特征和標簽值;
• 特征是用于訓練算法的基礎(chǔ)值;
• 一旦訓練部分結(jié)束，算法就能預(yù)測測試特征的正確標簽值。

目標是正確預(yù)測標簽。因此，受訓算法的精度應(yīng)該很高。如果不高，應(yīng)使預(yù)測的標簽值和原本標簽之間的誤差最小化。有了這些基礎(chǔ)知識，讓我們接著來了解KNN算法。KNN是監(jiān)督式的機器學習算法，“K”是待分類點鄰近值的個數(shù) (例如，K=1、2、3等)。

左圖中，KNN會將“?”歸類為綠色星星，因為它最近。同樣，在右例中KNN會將“?”歸為黃色三角，因為這些三角形是最接近的多數(shù)情況。

新案例與已知案例之間的接近程度，可以使用任意距離函數(shù)，如歐幾里得尺度和明可夫斯基尺度等體現(xiàn)。因此稱之為最鄰近。這樣，KNN算法對新案例進行了分類。在這種特定模式中，KNN要正確預(yù)測各個情緒的分類。預(yù)處理所有數(shù)據(jù)后，我使用了KNN算法，然后計算出準確度為98.6%。這是顯示相同的代碼段：

使用可視化技術(shù)

我用數(shù)據(jù)可視化進行了分類，圖表更便于理解，并創(chuàng)建了一種解決方案，用來預(yù)測我應(yīng)該避免什么樣的情緒才能保持一個積極的心態(tài)。這個技術(shù)將幫助我分辨標簽類別(積極、消極和中性)，為此我使用了“箱形圖”。

結(jié)果

KNN生成的圖表顯示：

• 沮喪：算法將該特征歸類為消極，這是顯而易見的。但值得注意的是，在消極和中立之間有小部分的重疊。同時消極與中性界限也非常細微。這表明沮喪的情緒在某種程度上能夠激勵自己取得積極成果。綜合考慮后，它被歸類為消極標簽。
• 困惑：這項結(jié)果很有意思，算法將其標記為積極。在分析之前，我曾避免自己有困惑情緒。也許這些搖擺不定的情緒也能產(chǎn)生積極的結(jié)果，也許它們給了我們時間來衡量形勢的正反面。
• 悲傷：毫無疑問，這類情緒注定會產(chǎn)生消極的結(jié)果。
• 自卑：有時候頭腦中會出現(xiàn)一些隨機的想法。它們沒有來由沒有依據(jù)。算法將這些情緒歸類為中性。
• 哭泣：與悲傷特征類似，該特征也被歸為消極。但我認為它可能也有中立的一面，因為哭泣可以幫助平衡情緒。但如果依據(jù)圖表來給定標簽，很可能將其歸類為積極而非中性?？傮w來看，它會引發(fā)消極情緒。
• 痛苦：根據(jù)模型的預(yù)測，痛苦是導(dǎo)致心情不好的最重要特征。因此，它是極其消極的。
• 振奮：KNN預(yù)測這個特征對我有益。但是，該圖顯示中性和消極情緒略有重疊。此外，令人吃驚的是，如果我們僅考慮這兩個標簽，消極標簽的影響要比中性標簽大得多。
• 堅定：該特征非常有趣。結(jié)果之間幾乎沒有任何區(qū)別，很難立即做出詮釋，但是使用箱形圖可以輕易地理解這一點。

箱形圖提供了詳盡的圖示。圖示清晰易懂，它們根據(jù)特征或思想給出了三種不同情緒或標簽的清晰區(qū)分。它描繪的結(jié)果與KNN圖或多或少相同，但它提供了更好的解釋：

• 堅定：盡管看起來這一特征明顯會被歸類為積極，但是KNN圖表根據(jù)數(shù)據(jù)顯示了這三個標簽之間的相似性，這種相似性可能會產(chǎn)生誤導(dǎo)?？纯聪湫蛨D你就會發(fā)現(xiàn)，積極的結(jié)果只比另外兩個高一點。因此，該特征被歸類為積極標簽。

快樂：毋庸置疑，此特征為積極標簽。但是，它對中性的四分位數(shù)遠大于正數(shù)，如果僅考慮中性和負數(shù)，則中性要高于兩者。

[[348231]]

圖源：unsplash 

這個項目非常有趣。起初，我以為分類結(jié)果是簡單且顯而易見的，但完成后，我才意識到這不僅僅是個分類。一個ML程序不僅能預(yù)測人類可以輕松完成的特定任務(wù)，還可以對數(shù)據(jù)集深入分析。

雖然這只是仿人智能的開始，但卻非常有趣，也許這就是‘機器學習’命名的由來。