如何做决策

你可能会想，从理论上讲，树型思维的确很好，但是有那么多分支，我该怎么做决策呢？难道就没有迷失在我们所想象的、美妙的复杂性中的风险吗？

是的，有（欢迎来到我的世界），但请别担心，机器学习能再次帮你脱离困难。算法也能教你如何筛选大量数据并得出结论，这正是你在日常生活中运用树型思维所需要的东西。

机器学习基本上都是从特征选择（feature selection）开始的：将噪声剔除，把有用的数据筛选出来。我们需要缩小证据范围，将注意力集中在能得出结论的信息上，这样做是为你即将进行的实验设置参数。

这是怎么做到的呢？有许多不同的方法，在无监督学习中最常见的方法是k均值聚类（k-means clustering）。你根据数据之间联系紧密的程度，在数据集里创建指示性聚类簇。从本质上讲，就是将看起来相似，或者具有某些共同特性的数据组合在一起，创建一定数量的聚类簇，然后用这些聚类簇来检验、发展你的假设。由于你不知道结果，所以要对结论持有开放的态度，并且在开始阶段，只关注可以从数据中做出哪些推断：让数据讲述自己的故事。

这真的与我们以往做决策的方式非常不同吗？无论是无关紧要的选择，还是改变生活的重大抉择，我们总有一些可以检查、试验与聚类的数据点。在选择穿衣服的时候，我们知道什么衣服让我们感觉良好，什么衣服适合当前的场合，以及别人会有什么想法。如果你要选择是否去另一个国家工作，要考虑的数据点可能包括薪水、生活方式、与家人和朋友的距离，以及职业抱负等。

在面临重大决策时，如果你不知道该从哪里着手，那么特征选择就是个不错的切入点，即使你面临的选择让人望而生畏，它也可以让你思考许多其他的可能性，让你变得更强大、更有力量。

首先，你要把真正重要的事情与那些让你分心的事情区分开来——主要的决定因素是，这些事现在或以后会给你带来什么感受。然后，你可以把那些具有共同特征的事情放在一起：什么东西能帮助我从A到达B，什么东西能满足我的某种需求或抱负。有了这些聚类簇，你就可以开始构建决策树的分支，并查看数据点之间的关系。这个过程有助于揭示你所面临的真正选择，而不是那些在你脑海中最先浮现的选择（也许这些选择是由错失恐惧症带来的。错失恐惧症就是害怕错过某些事情或者害怕社交媒体上陌生人可能做出的评判）。那些因素独立于你，存在于它们自身的决策树中，根本无法与你要考虑的因素进行类比。

选择红上衣还是黑上衣，选择这个工作还是那个工作，这些从来就不是真正的选择。这些只是你真正想要的东西的符号和表达。只有通过对数据进行排序，构建决策树，你才能知道如何处理面前的选择，并根据有意义的结果做出决策。比如，这个选择会让我感到快乐和满足吗？

假设世上存在“是”或“否”的二元决策，而真正的选择始终比这复杂。我们需要透过当前选择的表面现象，思考更深入的本质，挖掘有关我们的情绪、抱负、对未来的希望与恐惧的数据，了解它们是如何联系在一起的，以及何种数据会把我们引向何方。这样一来，我们就可以更现实地看待某个特定选择会为我们实现什么，不会为我们实现什么，并且根据对我们来说重要的东西来做决策，而不是根据散落在我们身边的盒子来做决策。这些盒子只代表我们的情感与直觉，这些情感和直觉往往被装在拥有许多社会认可的“应该”的盒子中（“我应该趁年轻时多闯荡世界”“我应该安定下来，不要到国外去做那种有风险的工作”等），这些“应该”规定了我们如何做人，如何做事。因此，人们往往认为，尽管有人提倡心理健康应该是一种多样性概念，但这是一场注定失败的斗争，因为这些多样性挑战了那些“应该”。

我们还可以从机器学习的过程中了解如何使用证据。特征选择与k均值聚类能让你站在选择的起点上，但仅此而已。要得出结论，还需要经过一个完整的测试、迭代与细化的阶段。科学上的证据是需要检验的，而不是不可违逆的铁律。你做出假设是为了质疑与改进这些假设，而不是把它们当作生活中不可改变的指南，无论它们看起来有多正确。

我们应该以同样的态度对待生活中的证据。虽然我们一定要沿着决策树上那根看似最好的树枝前进，但不要在此之前砍掉其他枝条（从本质上讲，这就是在宣布一个选择是“对的”，而其他的选择是“错的”）。你可以尝试你认为自己想要的东西，如果这个选择不如你的预期，你就要回头调整自己的假设。树状结构的美妙之处在于，我们能在树枝间轻松地移动；而在看似毫不相关的盒子间穿行会让我们感到焦虑，缺乏明确的方向感，最终难免无功而返。正如所有的数据集都包含固有的模式、隐藏的真相，以及完全不相干的事物，我们的生活也包含对于前进道路、岔路与死胡同的选择。虽然整理证据可以让你清楚地知道应该朝哪个方向前进，但不要彻底排除折返和再度尝试的可能。生活不是线性的，而是具有许多分支，我们需要让自己的思维模式符合这种现实。

这可能听起来很随意，但比起不顾证据做出决策并坚持到底，实际上这是一种更科学、更可持续的方法。这能让我们像设计机器一样设计我们的生活：更精确，更乐于测试、学习与调整。我们需要不断改进：随着年龄的增长，我们会收集更多的数据，这让我们在头脑中形成更成熟、更复杂的决策树，这些树能更好地反映现实情况——就像建筑师画的设计图与孩子画的房子之间的差别一样。

好消息是，你可能已经在这么做了。社交媒体让我们每个人都变成了科学家——让我们学会了钻研如何上传最完美的照片。我们要选择什么角度，什么时间，人与物该如何组合，附带什么话题标签。我们会观察、测试、再尝试，随着时间的推移，我们会找到记录生活并将生活分享给世界的完美方法。如果你能在Instagram上做到这一点，那你在生活的其他领域也能做到。