歡迎來到光錐外的世界
機器學習在如今越來越流行，它讓我們可以用訓練數據而不是對任務的每一步編程來完成工作。這是人工智能發展的重要貢獻。許多人工智能服務如語音助手或自動駕駛都使用神經網絡來完成決策。神經網絡通過模擬人腦的結構，在不同的場景下擁有強大的處理能力。但神經網絡並不是機器學習中唯一重要的部分，這裡還有一類稱為決策樹的算法，幾十年來，它悄悄地潛伏在幕後，為人們的生活提供幫助。今天，我來帶你瞭解一下改變我們生活的決策樹算法。
在某種程度上，決策樹與神經網絡頗為不同。它不像神經網絡一樣模擬人類，模擬我們大腦的結構，它通過類似分類的方式進行決策。
就像抖音上很火的視頻那樣，一個人事先想好一個人的名字然後讓語音助手去猜他或她的名字。語音助手用過反覆向用戶詢問如"他是男的還是女的？"，"他是否是一個企業家？"等問題逐步排除選項，直至鎖定答案。
決策樹的算法似乎很簡單？事實上，絕大多數計算機技術核心的算法說起來都很簡單。但是，如何把這個算法用計算機實現出來，能在現實中能高效地運行就是一個需要不斷研究深入的問題了。
決策樹可以高效地處理大量的信息，這也讓它能在各種複雜的場景下發揮作用。我們每個人在生活中都在享受到決策樹帶給我們的便利，其中最典型的就是各式各樣的推薦系統。決策樹可以讓像抖音等內容平臺知道你喜歡哪些內容，結合你的一些個人信息可以靈活的定向給你推薦適合你的內容。
決策系統需要有很高的效率。想想看，我們在內容平臺搜索時，加入各種各樣的限制條件比如旅遊的時間或者商品的最高價格時，平臺幾乎是立刻就能給你推薦出符合的你要求的內容。決策樹的算法邏輯簡單，這讓它們可以比其他具有類似功能的機器學習算法運行得更快。當然，這裡並不是說決策樹算法的時間複雜度很低，實際上，當用戶的輸入增加，決策樹算法也將停滯不前，例如當我們無休止地滾動，尋找適合外賣或者電影時，它們並不完美。但是，算法是死的，程序員卻是活的，我們可以通過一些措施，比如一次返回一個列表的推薦內容而不是單單一條內容來減少決策數量等等，通過一定的取捨抉擇讓算法看起來足夠快，讓用戶開心。
最後，讓我們用一個決策樹算法改善信用卡用戶體驗的例子來結束這篇文章。
你可能也有過刷信用卡被神秘拒絕的經歷。當你想買些一些東西時，銀行很可能試圖去阻止他們。這是銀行的風險管理機制，他們認為這筆交易可能存在欺詐。這對用戶和銀行來說都很糟糕。你不能買你需要的東西，或者至少不能用你想用的卡。而你的銀行，首先錯過了從你的交易中賺錢，而且更糟糕的惹怒用戶並使他們最終停止使用那張卡。
一項研究顯示，信用卡欺詐每年會使銀行損失超過7000億元。在過去，欺詐檢測依賴於一套"一刀切"的規則，比如如果你在一個小時內在兩個不同的國家購買支付，他們可能會認為是出了問題。不過，也許這只是因為你是在旅行，或者你就住在邊境附近。特別是，當你的銀行知道你非常多的生活習慣比如從你網上購物的頻率或者你經常光顧哪些商店時，如果你突然想改變一下自己的生活，這時銀行的監測機制就很有可能犯一些錯誤。
在2018年的一項研究中，麻省理工學院的一組研究人員收集了信用卡公司收集的200多種數據並做了一個決策樹模型來監測欺詐行為。這個算法將所有數據轉換為因人而異的預測值，比如你旅行的頻率等等。因此，在遇到一些用戶行為改變時軟件不會崩潰而是會意識到這種行為其實對這個人來說是相當正常的。當研究人員用180萬筆交易數據訓練模型後，他們的決策樹已經能將將欺詐預測的錯誤率降低54%。隨著這些技術在更大範圍內的應用，銀行需要處理的錯誤欺詐行為將會減少，我們用戶面臨的支付問題也將得到改善。
END
閱讀更多 光錐外的記錄者 的文章
