为什么咨询项目中的不确定信息，宁可抛弃也不能去用它？

正文

请到「今天看啥」查看全文

回归我们的主题，“最大熵原理”指的是：

“当你要判断一件事情发生的概率时，要充分地利用所有已知的条件

但对于未知的条件，我们不该去做任何主观臆测，而应该让它的随机性最大 也就是熵值最大

这才是风险最小的 也是最合理的决定。”

有点抽象，但它实际上讲的就是这么一件事：

如果一个问题，它的初始混乱程度是100。

后来我们收集到了一些信息：

一部分能确定它们是真实有效的，这部分可宝贵了，我们要去好好地使用它， 利用它来增加确定性，并降低问题的模糊程度。

所以当我们使用了已知信息时，眼前的熵就被降低了，混乱程度就从100变成了70。

还有另一部分信息，我们并不能确定它们的可靠性，它们也是未知的一部分。

这时不去使用它们才是最明智的决定，因为一旦使用，看上去增加了信息，看上去熵值会从70降低到60，50，40，但因为可靠性不定，使用后得出的结论会有很大的风险出现扭曲和错误 - 从而得出错误的结论 拼出了错误的拼图。

于是，一旦决定不去使用，这时熵值还是70，是那个情况下的最大值。

这就是最大熵原理。

2

对待未知信息的最优处理

这个问题还是有些抽象，我再举几个例子。

比如，吴军老师提到的例子：

在我们掷骰子时，如果要猜“五点”朝上的概率，那最正确的肯定是猜1/6啊。

因为我们没有任何已知信息，而对于未知信息，不加主观臆断，让它随机性最大就好。

这里，平均分配恰好是随机性最大的一种方式，那么骰子上有六个点，我们假设每个面朝上的概率是1/6就好。

这符合最大熵原理。

但如果，我们已知，有一颗骰子被做了手脚 ：

“五点”和“二点”那两个面的几个角被磨平了，导致五点朝上的概率是2/5，两点朝上的概率几乎为零，那剩下几个面朝上的概率是多少呢？

自然是3/20：因为除去五点朝上的2/5，还有3/5可以给四个面分，我们并不知道哪个面朝上的概率会多一些，那就假设它们都随机均等吧。

在这个Case中，我们充分地利用了“它“五点”和“二点”那两个面的几个角被磨平了，导致五点朝上的概率是2/5，两点朝上的概率几乎为零”这条已知信息，但对于剩下的几个未知的面没做主观臆测，而是保持它们的随机。

这也符合最大熵原理。

请到「今天看啥」查看全文