幸存者偏差

如果你去动物园你会发现你身边都是动物,如果你去植物园你会发现身边都是植物,如果你去幼儿园你会发现都是孩子。但是这并不是客观的概率,因为你去的是个特定的场景。

 

二战中美军研究幸存战机增强防护方案,统计学家沃德力排众议,纠正了美军原以为弹痕多就该增强装甲的“幸存者偏差”,提出应该增加弹痕少的地方防护水平。这个例子很让人匪夷所思,意思就是说战机参加完战争之后,机身上有些部位都是弹孔,有些人就提议这些地方很容易被攻击一定要加强这部分机身。

 

但是有人就提出,应该去加强没有中弹的地方,因为这些飞机之所以能活着回来也许就是因为运气好真正薄弱的地方没有中弹。而中弹的飞机都已经坠毁了,没法飞回来分析。

 

“死人是不会说话的”,需要加强的恰恰是轰炸机上没有被炮弹打穿的部位。

 

很多人不知道,股市是典型的幸存者偏差。它是由优胜劣汰之后自然选择出的一个道理:死人不会说话。人们只看到经过某种筛选而产生的结果,而没有意识到筛选的过程,因此忽略了被筛选掉的关键信息。

 

如果还不明白,举个例子:一位记者去民政局结婚登记处采访大家是否相信爱情,大家的回答基本都是相信爱情。所以记者就得出结论:99%的人相信爱情。您如果去离婚登记口采访结论就相反了。

 

股市也一样,赚了钱的人就会出来炫耀,亏钱的就默默躲在角落里。你能听到的声音都是胜利者的,为什么现在都是价值投资?只因为幸存者偏差,这几年是价值投资的牛市。还有你们看到的股票,其实别人也在关注,这就不仅有幸存者偏差,还有了集体意识。其实幸存者偏差典型的无奈就是用特殊案例去解释大部分普遍,这很悲哀的。

 

股票在底部默默无闻的时候大部分人是不会关注的,就像你去一个学校永远能看到的都是最光鲜亮丽的学生,那些默默无闻的永远是被忽视的。一只股票为什么进入你们的眼睛,无非是新闻、排名、业绩等等。这种幸存者偏差的筛选最终会导致集体意识,而集体意识的最后一批,往往就是接盘侠了。

 

曾经wuliangye、三姨太、美地这些白马股几块钱在底部横盘时候也没人出来吹?只是那时候价值投资者自己也痛苦,没有说的动力,问题是不赚钱说了也没人信。


即使现在,很多底部股票之前都被骂垃圾公司,结果短期一大涨一翻倍,多少溢美之词就出来了。

 

这对我来说其实就是一种理解,就像读一篇文章每个人都有自己的理解。对于股市每个人的理解也是不同的,但是总有深刻和肤浅之分,也有无用和有效之分。如果最基本的一些牛角尖都没有看透,只会越来迷糊,或者抱残守缺缘木求鱼。

 

股市赚钱其实这就是人性的市场,和爱情一样。我相信那些感情里的高手,也是经验丰富成功率极高,不会的还是不会。股市的本质是股市么?爱情的本身是爱情吗?说的深邃一点,都是人性。

 

也建议大家不要被通货膨胀、财务自由等概念给吓到,其实本身没有绝对的自由,通货膨胀也不是所有都膨胀。人生还是多去思考和体验,别把太多的时间花费在抵御通货膨胀上面。

 

某些角度说,是无法抵御的,马后炮的去看一些高溢价的物品也是幸存者偏差。就像津巴布韦那种通货膨胀,咋都无法抵御。顺其自然就好,不必当个很大的压力。

 

30年前一瓶块钱水一块钱,现在也是一块钱。一个打火机一块钱,现在也是一块钱。如果你买汽车,现在比以前便宜多了。那时候普通夏利汽车都十来万。说啥通货膨胀,分你买啥。

 

股市里需要先认清一些事情,再去思考一些事情,然后再去实践。这个过程都是必然的,所以认清楚股市里的幸存者偏差,也是很重要的一步。这也就解释了,为什么你看到的都是赚钱的,因为不赚钱的你也不看啊。

最后,很感谢各位朋友对我身体的关心,确实心里非常的感动。但是由于精力有限,没有逐条回复请各位海涵。其实我也很乐观,因为血液不流通或者出血这个事情,如果不是眼底出血,万一是脑出血岂不是更糟?从眼底里出来了,其他的地方压力就小了。

 

今天又去了一次医院,做了第二次的眼底荧光血管造影,这次是在胳膊上做皮试。然后护士问有没有胸闷、瘙痒等,然后在手背注射“荧光剂”。据说这样能更清晰的看到血管的脉络。

 

做皮试的等待期时候,在3诊室。结果一个七八十岁的老太太推门进来,问了护士能不能看病。我也是好事,走过去看了一眼,就是一个村里面诊所的化验单。我说老太太这个不行,您得挂号。我很少去医院,医护工作者,对这种事情应该见怪不怪了。

 

她跟我说:“我就是来一个个推门问问,能不能帮我看病”,真的挂不上号,我也不会挂号。”我真的很无奈,能不能给老年人想想办法,这种网络挂号看似公平,实际上也不是很公平。

 

 

整理来自网络社区-花甲老头

### 幸存者偏差在算法中的表现及影响 #### 什么是幸存者偏差幸存者偏差是一种常见的统计学谬误,指的是人们倾向于关注成功的结果或“存活下来的数据”,而忽略了未成功的部分或未能留存的信息[^1]。这种偏见可能导致错误的推断和决策。 #### 算法中的幸存者偏差现象 在机器学习和数据分析领域,幸存者偏差可能表现为训练数据的选择不当或测试集的设计不合理。例如,在构建分类器时,如果仅基于已知的成功案例来调整模型参数,则可能会忽略失败案例的重要特征[^2]。这不仅会影响模型的准确性,还可能导致其无法适应新的场景。 #### 对结果的具体影响 当存在幸存者偏差时,算法得出的结论往往具有误导性。具体来说: - **预测性能下降**:由于缺乏对负面实例的学习,模型难以处理异常情况下的输入。 - **资源分配失衡**:依据偏向性的分析做出资源配置决定,最终造成效率低下甚至浪费。 - **风险评估不足**:忽视潜在的风险因素使得系统面对突发状况时更加脆弱[^4]。 #### 解决方法探讨 为了减少由幸存者偏差带来的负面影响,可以采取以下策略之一或多组合并应用: 1. 数据增强技术 通过合成少数类样本或者引入外部知识扩充原始数据集合,从而平衡各类别的分布比例[^3]。 2. 调整评价指标体系 除了常用的精确度(Accuracy),还需要考虑召回率(Recall)、F1分数(F1-Score)等能够反映不同类别间差异程度的标准来进行综合考量。 3. 增加透明性和可解释性 开发易于理解且具备一定逻辑链条支持的AI解决方案,让用户清楚知道哪些变量参与到了最后判断当中去,并能接受质疑与检验。 4. 多角度验证假设成立条件 不仅仅依赖单一维度上的证据链路支撑起整个理论框架;而是应该从多个相互独立又彼此关联的角度出发反复论证直至形成共识为止。 ```python from sklearn.utils import resample def balance_data(X, y): X_majority = X[y == majority_class] X_minority = X[y != majority_class] # Upsample minority class X_minority_upsampled = resample(X_minority, replace=True, # sample with replacement n_samples=len(X_majority), # to match majority class random_state=123) # reproducible results # Combine majority and upsampled minority classes X_balanced = np.vstack((X_majority, X_minority_upsampled)) return X_balanced ``` 上述代码片段展示了如何通过对少数群体进行重抽样达到数据均衡的目的。 ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值