21、可靠预测建模：RELR方法与认知机器的潜力

可靠预测建模：RELR方法与认知机器的潜力

1. 有效决策与RELR的必要性

有效决策不能基于不可靠的过程，因为这种过程常产生相互矛盾和有偏差的决策。传统预测建模方法若基于建模者的主观随意决策，或受数据采样意外情况的影响，就会成为决策过程中低效且有风险的因素。

为避免这些问题，决策者应选择能确保其方法不受认知偏差和采样意外影响的预测建模者，这正是RELR（Regularized Extreme Learning Regression）方法的合理性所在。在确定重要变量存在不同意见的领域，可让多位专家参与，提供候选变量。例如，在更客观的预测分析方法（如RELR）中，目标是尽可能多地采访专家，获取多样化的意见，使候选特征集包含更多关于因果和预测变量的假设。RELR模型会在适当控制下，客观选择最可能的特征，确保采样无偏差。

2. 预测模型崩溃的案例

2.1 医疗领域

2012年春天，PBS Nova纪录片展示了一个预测模型可靠性和有效性崩溃的例子。美国国立卫生研究院（NIH）院长弗朗西斯·柯林斯博士将自己的基因组数据发送给三家不同的个人基因组公司，评估各种疾病的风险。然而，这三家公司提供的常见疾病预测结果大多不同，甚至相互矛盾。这表明认知机器辅助决策不仅要提供准确的预测，还要提供不受建模者影响的可靠预测，这在医疗决策中尤为重要。只有当预测分析变得更加可靠时，才能降低医疗成本并提高医疗质量。

2.2 汽车行业

过去十年，汽车行业一些需要政府救助的失败案例中，很难确定不良预测建模的影响程度。虽然管理不善是一个重要因素，但预测建模已成为决策过程的重要输入。不可靠的预测和解释增加了决策过程中的噪音，未能提