决策者必备素质大揭秘

你理性吗?一个10元等于两个5元吗?读完本文希望你看到不一样的答案。

我想绝大多数人还是喜欢用理性来形容自己。

不知道大家对理性这个词有什么样的理解。理性的反义词就是感性。感性就是容易受到场景、情绪、气氛等的影响;相对而言,理性就是无论在什么实际环境的干扰下,能够分析事情的本质,明晰事情的来龙去脉,然后能够做出当时环境下做符合自己利益的事情(仅个人理解)。

对比来说,我们更希望做一个理性的人。在我们的日常生活中,经常需要做各种各样的决策,小到今晚做什么菜,骑自行车走哪条道儿,大到选择什么样的职业,和什么样的人结婚,或者投资什么样的股票等等。在作决策的时候,我们总是力求做到理性,以尽可能地最大化我们的收益。那么,如何成为一名理性的决策者呢?一名理性的决策者究竟需要具备怎样的基本素质呢?

                                                       


心理账户对行为的影响


一个10元等于两个5元吗?你一定以为这很简单。其实,由于心理账户的存在,人们往往会对实际上等价的事做出截然相反的判断。

心理账户就是人们把实际上客观等价的支出或者收益在心理上却划分到不同的账户中。


一个小例子解释心理账户

今晚音乐厅将上演一场你期盼已久的音乐会,票价很高,需要1000元,不过你早已决定去看,并且在几天前就已经购买了票子。吃过晚饭,你正兴冲冲地准备出门,却发现入场票不见了,你找遍了所有可能的地方都没有发现踪影,你寻思着一定是在路上弄丢了。焦急的你要想听这场音乐会只能再重新掏一次腰包了,你作着激烈的思想斗争,该不该去音乐厅再花1000元买一张票听音乐会呢?

实验证明:大多数人会选择不会再买一张票听音乐会。而如果将这1000元的损失换成其他的损失(如丢失一张1000元一张的电话卡),大多数人会选择去听音乐会。

那么我们看这件事情,同样是花费1000元去听音乐会,为什么第一情况选择听,第二种情况选择不听呢?这就是心理账户的影响。

更简单的例子,学生的钱主要来自父母,父母一分一分攒的100元钱跟你一次性中彩票的100元钱一样吗?实际上,他们的实际价值都是100元,是一样的。但是我们经常加上个人色彩,在心里严格的区分在不同的账户里面。


交易偏见


我们经常去购物,回过头来仔细想一想,我们买的很多东西真的有用吗?你会买没用的东西吗?

会不会再买我们想买的东西的同时,因为看到各种促销而改变主意?不要因为贪便宜而买自己不需要的东西,同样,也不要因为比较贵而不买自己正需要的东西。不忍心放过那些看似合算的交易往往会在事后让你后悔。同时,切不可仅仅关注相对收益而忽视了实际上更重要的绝对收益。将绝对收益与绝对成本进行比较权衡才是做决策的依据。

你需要意识到,做决策时不应该受到成本和收益之外的东西的影响,许多的参考价都是与决策无关的,不要被它们遮盖了双眼。


沉没成本误区


正常人往往出于想挽回已经发生却无法收回的所谓沉没成本,而做出很多欠理性的行为。比如很多吸烟者明知道吸烟有害健康,却依旧沉迷香烟一样;有比如你明明自导自己写的代码中有很大冗余,却一再不肯进行重构,依旧不停的Ctrl+C,Ctrl+V……人们往往沉溺于沉没成本中而不能自拔。

沉没成本的概念比较简单:人们在决定是否去做一件事情的时候,往往不仅仅是看这件事情对自己有没有好处,而且也要看看之前已经在这件事情上的投入。我们把这些已经发生不可以收回的支出,如时间、金钱、精力等就是沉没成本。
    从理性的角度来说,沉没成本是不应该影响我们决策的。然而事实中,我们往往因为“舍不得”,上沉没成本的当,吃沉没成本的亏。

沉没成本告诉我们:意识到前景不好就应该适时收手。不要因为已经做了一些工作,就要将错就错,放弃大好机会。千万不能让沉没成本困住前进的步伐。


过于自信


大家都听过一句话:知人智者,知己者明。那么请问自己一句:你有自知之明吗?孔子曰:“知之为知之,不知为不知,是知也。”

一般情况,人们很难想像事情会以什么样的方式进展。由于我们不能预见到事情可能的各种发展方向,我们就会对我们所知道的事情将来可能的发展过于自信。例如大家写代码一样:眼高手低,不写代码各种没问题,一些代码各种有问题。

另一个例子:赌过球的人肯定更深刻一下,你一旦下注赌巴萨赢,那么你就会找各种各样的有利证据,证明巴萨赢。证据越多你越自信,你越自信就会越膨胀越会使劲儿下注,如此循环……然后,对手的情况你往往关注的少的多。须知,越到后面,留下的队伍越强大。

我们知道过度自信容易大意失荆州,那么没有自信又会让我们丧失前进的勇气,这该如何是好呢?要做一个理性的人,我们什么时候该自信,什么时候又该有自知之明呢?在鼓励士气、鼓舞斗志的时候,我们应该充分地自信;而在具体行事时,我们应该谨慎而有自知之明,做好充分的准备,不打无准备之仗。这正如毛泽东所言:战略上要藐视敌人,战术上要重视敌人。


适应性偏见


我们通常有很强的适应性。不要以为你现在对某样东西非常满意就认定你以后也一定会因为这样东西而获得很多快乐,所以请你不要惊讶于徐志摩之死。有了房子有了车子有了票子之后不一定有你想象中那么快乐,适应了之后感觉也一样;同样没有房子车子票子,不一定很苦难,你看看自己整天嘻嘻哈哈的样子像是要自杀的样子吗?

所以说,基本上时间长了,很多东西我们都能够适应。所以,在满足了一定的物质需要之后,你应该更加关注和精神以及和心灵相关的东西,把钱用在能给你带来最大快乐的地方。


影响的因素远远不止这些因素,这里也只是简要的提出了一些比较典型的拿出来分析。读到这里,你心中一定充满了疑惑,我们有了这么多的“陷阱”,怎么才能避免它们,做出真正的理性判断呢?其实主要手段有换位法(这一种方法足矣)、证伪检验法等。

读完本文之后,不知你是否还认为一个10元等于两个5元呢?本篇文章的感悟,是在读完了一本《别做正常的傻瓜》一书说产生的感悟。


标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论 36
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