欢迎来到光锥外的世界
机器学习在如今越来越流行，它让我们可以用训练数据而不是对任务的每一步编程来完成工作。这是人工智能发展的重要贡献。许多人工智能服务如语音助手或自动驾驶都使用神经网络来完成决策。神经网络通过模拟人脑的结构，在不同的场景下拥有强大的处理能力。但神经网络并不是机器学习中唯一重要的部分，这里还有一类称为决策树的算法，几十年来，它悄悄地潜伏在幕后，为人们的生活提供帮助。今天，我来带你了解一下改变我们生活的决策树算法。
在某种程度上，决策树与神经网络颇为不同。它不像神经网络一样模拟人类，模拟我们大脑的结构，它通过类似分类的方式进行决策。
就像抖音上很火的视频那样，一个人事先想好一个人的名字然后让语音助手去猜他或她的名字。语音助手用过反复向用户询问如"他是男的还是女的？"，"他是否是一个企业家？"等问题逐步排除选项，直至锁定答案。
决策树的算法似乎很简单？事实上，绝大多数计算机技术核心的算法说起来都很简单。但是，如何把这个算法用计算机实现出来，能在现实中能高效地运行就是一个需要不断研究深入的问题了。
决策树可以高效地处理大量的信息，这也让它能在各种复杂的场景下发挥作用。我们每个人在生活中都在享受到决策树带给我们的便利，其中最典型的就是各式各样的推荐系统。决策树可以让像抖音等内容平台知道你喜欢哪些内容，结合你的一些个人信息可以灵活的定向给你推荐适合你的内容。
决策系统需要有很高的效率。想想看，我们在内容平台搜索时，加入各种各样的限制条件比如旅游的时间或者商品的最高价格时，平台几乎是立刻就能给你推荐出符合的你要求的内容。决策树的算法逻辑简单，这让它们可以比其他具有类似功能的机器学习算法运行得更快。当然，这里并不是说决策树算法的时间复杂度很低，实际上，当用户的输入增加，决策树算法也将停滞不前，例如当我们无休止地滚动，寻找适合外卖或者电影时，它们并不完美。但是，算法是死的，程序员却是活的，我们可以通过一些措施，比如一次返回一个列表的推荐内容而不是单单一条内容来减少决策数量等等，通过一定的取舍抉择让算法看起来足够快，让用户开心。
最后，让我们用一个决策树算法改善信用卡用户体验的例子来结束这篇文章。
你可能也有过刷信用卡被神秘拒绝的经历。当你想买些一些东西时，银行很可能试图去阻止他们。这是银行的风险管理机制，他们认为这笔交易可能存在欺诈。这对用户和银行来说都很糟糕。你不能买你需要的东西，或者至少不能用你想用的卡。而你的银行，首先错过了从你的交易中赚钱，而且更糟糕的惹怒用户并使他们最终停止使用那张卡。
一项研究显示，信用卡欺诈每年会使银行损失超过7000亿元。在过去，欺诈检测依赖于一套"一刀切"的规则，比如如果你在一个小时内在两个不同的国家购买支付，他们可能会认为是出了问题。不过，也许这只是因为你是在旅行，或者你就住在边境附近。特别是，当你的银行知道你非常多的生活习惯比如从你网上购物的频率或者你经常光顾哪些商店时，如果你突然想改变一下自己的生活，这时银行的监测机制就很有可能犯一些错误。
在2018年的一项研究中，麻省理工学院的一组研究人员收集了信用卡公司收集的200多种数据并做了一个决策树模型来监测欺诈行为。这个算法将所有数据转换为因人而异的预测值，比如你旅行的频率等等。因此，在遇到一些用户行为改变时软件不会崩溃而是会意识到这种行为其实对这个人来说是相当正常的。当研究人员用180万笔交易数据训练模型后，他们的决策树已经能将将欺诈预测的错误率降低54%。随着这些技术在更大范围内的应用，银行需要处理的错误欺诈行为将会减少，我们用户面临的支付问题也将得到改善。
END
閱讀更多 光錐外的記錄者 的文章
