工作相关，简单说两句吧
一个好的模型，除了简洁之外，稳定性和实用性也很重要，有时候稳定性和实用性甚至远远超过简洁优美，尤其是在实操层面

另外模型永远不可能达到完全仔细的预测，这个我觉得看看混淆矩阵就应该明白了
可以无限逼近，但是总有局限

【 在 qianyishi 的大作中提到: 】
: 我最近的浅层学习体会：
: 1、不存在与图像或理论无关的实在论
: 2、不同理论可以通过全异的概念框架成功地描述同样的现象
: ...................
--
FROM 39.181.7.*

这里的图像翻译是个老问题了，应该是映像，大概是实在的映像那种理解

其实你这段是科学模型的选择问题，就是能够跟经验数据匹配的模型有很多个，那么选择哪一个呢，其实是没有标准答案的，一般认为简洁的模型最好，即所谓的奥卡姆剃刀，如无必要勿增实体，那么为什么简洁就是好呢，是没什么道理的，是人类一种大自然偏爱简单的信仰，但我觉得其实是人类智力与认知上的偷懒导致喜欢简单的。
这个简洁其实是对应数学上的，比如能用单次项的线性回归拟合的好，就不要用高次项的多项式去回归。对了，机器学习领域的过拟合理论跟这个呼应。

你不懂得话，把我这些话喂给ai看看

【 在 qianyishi 的大作中提到: 】
: 我最近的浅层学习体会：
: 1、不存在与图像或理论无关的实在论
: 2、不同理论可以通过全异的概念框架成功地描述同样的现象
: ...................
--
修改:hut FROM 223.66.108.*
FROM 223.66.108.*

这段话我另一个楼里回复过了，感觉是你没理解我这段话里的内容
【 在 hut 的大作中提到: 】
: 这里的图像翻译是个老问题了，应该是映像，大概是实在的映像那种理解
: 其实你这段是科学模型的选择问题，就是能够跟经验数据匹配的模型有很多个，那么选择哪一个呢，其实是没有标准答案的，一般认为简洁的模型最好，即所谓的奥卡姆剃刀，如无必要勿增实体，那么为什么简洁就是好呢，是没什么道理的，是人类一种大自然偏爱简单的信仰，但我觉得其实是人类智力与认知上的偷懒导致喜欢简单的。
: 这个简洁其实是对应数学上的，比如能用单次项的线性回归拟合的好，就不要用高次项的多项式去回归。对了，机器学习领域的过拟合理论跟这个呼应。
: ...................
--
FROM 123.121.181.*

感觉这里说的模型比你说的要涵盖范围广
【 在 innisfreer 的大作中提到: 】
: 所有模型都follow这个原则
:
--
FROM 123.121.181.*

你的话给ai的解读，跟我的一样啊，我的更细致，另外，结论不就是我之前说的发现实在还是构建描述那个问题里阐述的吗

AI：
您总结的这三点，构成了一个关于科学认知的连贯观点，即“依赖模型的实在论”。它认为，我们无法谈论一个独立于任何理论或模型的“实在”，我们只能通过构建好的模型来理解和描述世界。

您列出的三条标准，正是科学界评价一个理论模型是否优秀的核心原则：

简洁优雅：即奥卡姆剃刀原则，在能同等解释现象的前提下，模型越简单越好。

解释力：模型必须能自洽地涵盖所有已知的观测事实。

可证伪性：这是科学理论的关键特征。模型必须做出明确、具体的预言，这些预言能被未来的观测或实验检验。如果预言失败，模型就需要修正或被淘汰。

这种观点在理论物理学（如量子力学和宇宙学）中尤为突出，它提醒我们，科学提供给我们的是一套套有效的、不断演化的“描述”，而非关于世界“本来面目”的终极答案。



【 在 qianyishi 的大作中提到: 】
: 这段话我另一个楼里回复过了，感觉是你没理解我这段话里的内容
--
FROM 223.66.108.*