框架把外延劃分子類,組織子類下的假設,形成假設樹,然後剪枝!

2021-01-20 認知框架

溫馨提醒,此文訂正於2021-1-16,版本3.0。MECE,是啥意思呢,中文意思就是對一個概念的外延進行劃分,劃分成的各個子類之間要相互獨立,劃分的各個子類之和要等於父類。MECE有啥用呢,比如一個結論,你尋找解決這個結論的原因,這些原因要採取一個框架來組織,而這個框架呢,其實是一個分類框架。這個分類框架要符合MECE,這些原因被分類框架組織成一棵有序的原因之樹,結論-符合MECE的分類框架-各個原因-原因之樹!

MECE的意思就是相互獨立,完全窮盡,什麼理解相互獨立呢?概念的外延是一個大集合,就以人來說,人這個概念的外延是一個大集合,凡是具有人本質屬性的動物,就是人了。概念所反映的範圍,就是人的外延,是一個集合。這個外延現在還沒被劃分,比較混亂,你可以採取一定的屬性來對人這個概念的外延進行劃分,比如你可以採取」性別屬性「,對人這個概念的外延進行劃分,可以分類為男人、女人,男人是一個子類,女人是一個子類,這兩個子類相互獨立,沒有交集。男人作為子類所對應的範圍是一個集合,女人作為子類所對應的事物範圍是一個集合,於是就有了兩個集合。男人集合跟女人集合是相互獨立的,相互獨立是指類的層面來說,女人一類,男人一類,這就做到了相互獨立,相互獨立是用類來思考,用屬性來劃分出類。

談完MECE的相互獨立,再來談一談完全窮盡,啥是完全窮盡呢?剛才提到把人的外延,劃分兩個子類男人及女人,這兩個子類是相互獨立的,這兩個子類是否完全窮盡人的外延呢?男人+女人=人的外延。這兩個子類之和完全窮盡了」人的外延「,這就是完全窮盡了。

人這個概念所對應的這類事物,就是這個概念的外延,外延是一個大集合,你採取性別屬性,對人這個概念的外延進行劃分,此處的劃分,是分類,分成了男人子類和女人子類,男人子類和女人子類是相互獨立的,並且」男人子類+女人子類「窮盡了人這個概念的外延。

相關焦點

  • 判斷、假設、MECE、框架、假設樹,它們是挖掘真相的邏輯工具!
    發現真相需要一定的邏輯思維,如果具體化一點來講,就是要掌握屬性-概念-內涵-定義-外延-判斷-假設-推理-論證;就是要掌握MECE 、框架、假設樹!這些基礎:屬性、概念直至MECE、框架、假設樹,它們是挖掘真相的思維工具!外部世界的事實,才是最大的。大腦裡的認知,都是主觀的。
  • 不直接從框架、假設樹、MECE入手,迂迴到屬性、概念、定義、內涵
    不直接從框架、假設樹、MECE入手,框架、假設樹、MECE其實就是直接面對「邏輯的應用了」,而要了解啥是「框架、假設樹、MECE」,要迂迴到屬性、概念、定義、內涵、外延、劃分,以迂為直,看似繞了一條很長的彎路「屬性、本質屬性、概念、定義、內涵、外延、劃分」,其實對於這條彎路來說,卻直達「框架、
  • 樹模型(一)——樹的構造
    本章主要先闡述決策樹的定義,然後對如何構建一棵樹展開詳細介紹,主要針對特徵選擇,針對決策樹過擬合問題講解決樹的剪枝,最後介紹對連續變量和缺失值的處理。樹模型在樹的構建上,分類樹主要是二分類樹,它是最常見和應用最廣泛的。首先我們從數據結構上認識樹。
  • 一個概念所指的事物就是外延了,對外延分類就是劃分,如何劃分呢
    啥是劃分呢,針對啥劃分呢,當然是對概念的外延進行劃分,首先要弄懂啥是概念的外延,一個概念所指的事物就是概念的外延了,舉兩個例子,一個採取性質屬性來對外延劃分的例子,一個採取關係屬性來對外延劃分的例子。劃分就是對外延進行分類,分成成更小的子類,劃分中容易出現的一些問題,比如遺漏,比如沒有窮盡,比如沒有相互獨立。舉個採取性質屬性來講劃分的例子。劃分有什麼要求,劃分的要求是根據什麼來的呢?
  • 基於Python的決策樹分類器與剪枝
    決策樹很適合處理不同數據類型的變量。決策樹算法在決定每個節點的拆分時考慮了所有可能的變量,可以獲得最大加權不純度增益的變量被用作特定節點的決策變量。在上面的例子中,使用「性別」作為決策變量的加權不純度增益是0.4,但是,假設使用「年級」作為決策變量,加權不純度增益0.56,算法將使用「年級」作為創建第一個分割的決策變量。
  • 啥是假設呢?在邏輯論證或邏輯推理的全局思考中去探討假設!
    能區分有意識的假設與無意識的假設?不懂得假設在邏輯思維框架裡是什麼運作的?不懂得什麼是備擇假設:可替代性假設,典型的表現就是一根筋的思維。不懂得假設如如應用於身邊的生活與工作(產品、商業、運營)?不懂得調整背後的假設,而只是在已有的認知中打轉?啥是假設性推理呢?啥是假設性論證呢?MECE、框架、假設,這三者關係如何?
  • Uber AI 研究院深度解構 ICLR 2019 最佳論文「彩票假設」!
    在本文中,作者提出了一種生成稀疏的高性能網絡的簡單方法:在對網絡進行訓練後,將所有小於某個閾值的權重設置為「0」(對其進行剪枝),將其餘權重重置回其初始配置,然後在保證被剪枝的權重處於凍結狀態的情況下(未經過訓練),從這個起始配置重新訓練網絡。通過使用這種方法,他們得到了兩個有趣的結果。首先,他們證明了剪枝後的網絡性能良好。
  • 課題申報:如何撰寫研究假設
    在課題申報書的申報論證環節,需要申報者撰寫研究假設。什麼是研究假設?它的基本特徵是什麼?為什麼要撰寫研究假設?假設的內容是怎麼形成的?研究假設表達方式是怎樣的?在此,筆者和老師們交流一下學習與實踐體會。供批判。筆者最初想寫得簡單一些,但在行文中,發現有些問題要交待。於是寫得有些冗長了。讀者可以直接閱讀標題一、二、五。
  • 論會計目標與會計假設的邏輯關係
    【關鍵詞】會計目標;會計假設;財務會計概念框架  FASB在其構建的會計概念框架中不再提及會計基本假設;IASC在其發布的《編制財務報表》的框架中忽略了會計基本假設,只提及從屬於會計目標的基本假定。
  • 實驗勞動經濟學對人性假設的再認識
    在工人努力水平、勞動供給、再分配理論、人力資本、社會歧視、人員培訓、人員搜尋匹配等一系列勞動經濟學主題上,對傳統勞動經濟學研究進行了外延拓展和內涵深化,並取得了突破性進展。由於勞動經濟學的傳統研究對象是勞動力市場,重點關注的是勞動者本身,馮·諾依曼和摩根斯坦期望式的效用函數,必須從關於個體決策行為的假設中推導出來,但勞動經濟學中的個人行為決策基本上還是一個黑箱,傳統勞動經濟學理論主要建立在勞動力同質和完全理性假設基礎上。
  • 如何測量模型剪枝的「舍」?
    在從嬰兒到成年這段期間,大腦的突觸數量先增加然後下降。突觸修剪(Synaptic Pruning)通過去除多餘的神經元並增強對環境最有用的突觸連來提高效率。人類在2歲至10歲之間會失去 50%的全部突觸,但大腦仍會繼續工作[1]。
  • MECE及邏輯樹是以屬性-內涵-概念-定義-外延-劃分為認知基礎!
    屬性、本質屬性,概念、內涵、定義、外延、劃分、MECE、邏輯樹,是一串下來的。屬性-內涵-概念-定義-外延-劃分作為MECE-邏輯樹的認知基礎,或者說MECE及邏輯樹是以屬性-內涵-概念-定義-外延-劃分為認知基礎!
  • 略談「薩丕爾-沃爾夫假設」和「普通語義學」
    《魚叉》一文中寫道:「美國語言學家沃爾夫(Benjamin Lee Whorf)在二十世紀初就曾提出,語言形態制約人的思維的形式,他說, 每個語言的背景體系(即語法)不僅僅是概念的加工工具,其實,它本身的形態就規範了概念的形成 ,使用不同語言的人們 在頭腦中形成的關於客觀世界的圖像是各異的 。
  • 略談「薩丕爾 沃爾夫假設」和「普通語義學」
    《魚叉》一文中寫道:「美國語言學家沃爾夫(Benjamin Lee Whorf)在二十世紀初就曾提出,語言形態制約人的思維的形式,他說,『每個語言的背景體系(即語法)不僅僅是概念的加工工具,其實,它本身的形態就規範了概念的形成』,使用不同語言的人們『在頭腦中形成的關於客觀世界的圖像是各異的』。
  • 一個結論要論證它,不妨採取MECE的框架+假設,你會運用它們嗎?
    面對未來想要的結果,你要論證它,採取一定的假證去論證它,如何大膽地做出假設,如何有序地組織假設,組織假設為何採取框架,一句話。面對未來想要的結果,如何採取分類的框架及假設去對未來的結果進行充分的論證。小明學習好!這是結論。結論先行,為什麼結論要先行呢。假設是要支持」結論「的,假設是因,結論是果。先有結果,我們就可以在結果的引導下去尋覓一系列支持結果的原因,讓原因來推理出果。
  • 自「彩票假設」理論被授予2019 ICLR 最佳論文後,該領域又有了哪些...
    單次剪枝會極大地受到噪聲的影響,而迭代式剪枝方法則會好很多,因為它在每次迭代之後只會刪除掉少量的權重,然後周而復始地進行其他輪的評估和刪除,這就能夠在一定程度上減少噪聲對於整個剪枝過程的影響。通常,每次迭代的剪枝率大概在 20% 左右,總共需要進行 20~30 輪剪枝迭代(最終僅僅保留 1% 未被剪掉的網絡權重)。
  • 研究假設的提出
    研究問題明確之後,接下來就要提出研究的假設。不管有沒有明確寫出假設,一項研究很難迴避這個環節。假設實際上是研究者在綜合了以往研究的基礎上,結合自己的經驗和能力,對所研究問題的一個預先判斷。假設如果得到驗證,問題就解決了;相反,則要提出新的假設。那麼,如何才能將問題轉化為假設呢?
  • 人性假設與管理
    麥格雷戈對此前的經濟人假設進行了提煉,形成了X理論。這一理論強調了管理的外部控制的必要性,進而把人分為兩類,一類由於非理性情感而導致沒有自我約束和自我控制能力,另一類能夠以理智排斥情感而做到自我激勵和自我控制。
  • 好消息:數學家重新採用被拋棄解黎曼假設的方法!
    艾莫利大學(Emory University)數論學家、論文合著者肯小野(Ken Ono)表示:令人驚訝的是,在一個簡短的證明中,我們已經表明,對解黎曼假設一種雖老、被拋棄的方法不應該被遺忘。通過簡單地為舊方法構建一個合適的框架,現已經證明了一些新的定理,包括一個包含黎曼假設標準的大部分,總體框架也為其他基本懸而未決的問題開闢了途徑。
  • ICLR最佳論文:MIT科學家提出彩票假設,神經網路縮小10倍並不影響結果
    訓練深度神經網絡的感覺就像買彩票HackerNews網友opwieurposiu就吐槽,做DNN其實根本和買彩票沒什麼區別:先是收集訓練數據,然後寫一個python腳本,支付大約1美元的GPU時間,跑一下。所不同的是,你盯著的不是輪盤的轉針,而是損失函數圖。