心理学大白话:科学理解束缚我们的常见思维

我们从一个经典的心理学实验开始:

心理学家把三只猴子放在一个笼子里,笼子中间挂着一直香蕉。实验室这样设定的,如果有任何猴子去抓香蕉,所有的猴子都会受到电击。毋庸置疑,刚开始的时候,因为天性,猴子一定会去抓香蕉的,但受过几次电击之后,猴子们很快就达成了共识:抓香蕉是禁忌,这种行为会带来灾难。

接下来的事情就比较有趣了,心理学家把笼子里的一只老猴子换成一只新猴子,且停止了电击,这只天性纯真的新猴子当然会去抓香蕉啦。但另外两只老猴子因为之前的“禁忌”,会去阻挠甚至殴打这只抓香蕉的新猴子。随着实验的不断进行,所有老的猴子都被换成了新猴子,电击也不复存在,“抓香蕉是禁忌”的行为规范却一直都存在,抓香蕉的新猴子依旧会被阻挠和殴打。

心理学家们认为:这就是社会规范的起源。

这让我想起英国皇家海军有个岗位,就是一些士兵站在海岸边看海,没错就是对着大海看,数百年来皇家海军一直按照传统安排士兵执勤。直到有人问:为什么一直有军人在这看海?大英帝国的军官们一脸懵逼得说“一直都这样啊。”,回去翻翻历史才知道,那是当年英国为了防止拿破仑的海上入侵而设置的哨所,那时候没有先进的设备,只能靠人眼。于是乎,从拿破仑覆过了几百年,无数年青人的青春就因为这个“传统”浪费在了这里。当然搞清楚原因后,这个哨所就被裁撤了,嗯,晚了数百年。稍微有点骨子气的青年,肯定不希望被“传统”这么坑的,却不知不觉被坑了一辈子。

然而无论是“新猴子不能抓香蕉”还是“看海的士兵”在当时的环境下都是高效而有用的,环境变了,电击消失了,拿破仑死几百年了,却依然有人(猴)在不断地强迫下一代遵守“社会规范”。Google中日韩搜索负责人、原腾讯副总裁吴军说过类似的话:改革开放三十年了,却依然有很多人在坚持农耕时代的思维。

这个现象今天依然值得我们思考,因为像大英帝国们的军官们一样,很少有人会思考每一条规则背后的逻辑和它的适用性。这就导致来自长辈、社会外界的“规范”事实上对我们只有束缚作用。现今经常会听到年轻人吐槽父母叨叨不休的说教,明知道哪里不对却不知为何,心理学对“社会规范”的研究一定可以帮到大家。

除了社会规范之外,同样常见的是一种我们一生下来就不得不面对的顽固思维模式:自我中心思维。

自我中心的极端表现是自闭症,除了极少数电影里的数学、音乐天才,患有自闭症的人会把自己禁锢在一个狭小的空间里,在这个空间,永远只有一个视角:自己的视角。

很多人根本不会感觉到自己的自我中心思维。历史上著名的例子即“日心说”的案例,在地心说流行的当时,除了宗教因素,更核心的是人类与生俱来的自我中心思维,总是天真的觉得自己是一切的中心,我们都知道提出“日心说”的伽利略很快就遭受到了宗教审判,而另一位“日心说”支持者科学家和哲学家布鲁诺,干脆直接一把火把他烧死了。那些宗教人士自然不会觉得他们自私,相反会认为自己在“维持正统的秩序”,还会有堂堂正正的正义感。

自我中心并不是我们犯了多大错误,而是由于我们大脑的思维中枢前额叶,是最新进化出来的器官,所谓人类进化为智人,大脑体积增大了三倍,主要增加的就是前额叶。这个新进化器器官,却要面临飞速变化的当今社会,硬件跟不上是再所难免的,所以,我们不用太苛责自己。

需要意识到的是这同时也为我们提供了一个机会,大家出生默认的操作系统都是自我中心思维,这也就意味着换位思考、共情能力等等将成为永不过时的优势。但千万别以为换位思考、共情很简单,数一下自己周围有几个人能懂你能真正体谅你,怕是真数起来大部分人三只手指头都用不完。这也从侧面反映出,自我中心思维的隐蔽性,自己很难察觉到。

上面说完了“社会规范”和“自我中心思维”对我们的束缚以及带给我们的机遇,越早能尽可能地挣脱他们的束缚,就意味着越有机会获得更大收益,使得自己活得更加充实。

后面有空再写“自我实现的预言”部分。

 

 

 

 

 

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: XGBoost(eXtreme Gradient Boosting)是一种机器学习算法,通过集成多个弱学习器的预测结果来构建强学习器。它基于梯度提升框架,使用变种的决策树作为弱学习器,并在训练过程中优化损失函数。 XGBoost的核心思想是迭代地增加决策树的规模,每次新建一个决策树并进行训练,在训练过程中,根据之前决策树的预测结果与真实标签之间的差异,调整模型参数,使得模型能够更好地拟合训练数据。同时,为了防止过拟合,XGBoost采用了正则化方法。 在训练过程中,XGBoost使用了梯度提升技术优化损失函数。梯度提升是通过最小化损失函数的负梯度来逐步优化模型的方法。XGBoost在每次迭代中,计算损失函数的一阶导数和二阶导数,以此来训练新建的决策树,并通过梯度提升的方式将新决策树集成到模型中。 XGBoost还引入了一些创新的技术来提高模型性能,例如,使用特定的数据结构(稠密压缩列存储)存储训练数据以优化内存使用;通过按特征值排序的方式加速特征分裂的搜索;使用分布式计算框架进行大规模训练等。 总的来说,XGBoost是一种强大且高效的机器学习算法,能够处理各种类型的数据,并在许多机器学习竞赛中取得了优异的成绩。它的优点包括可解释性强、鲁棒性好、可扩展性强等,在工业界和学术界都得到了广泛应用。 ### 回答2: XGBoost(eXtreme Gradient Boosting)是一种广泛应用于机器学习领域的集成学习算法。它的基本原理是通过多个弱学习器的集成来构建一个更强大的模型。 XGBoost的主要特点包括: 1. 高度灵活:XGBoost可以应用在各种数据和任务上,包括分类、回归和排序等。 2. 高效性能:XGBoost采用了并行计算技术,使得模型训练和预测速度都非常快。 3. 可解释性:XGBoost提供了特征重要性排序功能,可以帮助我们理解模型的决策过程。 4. 鲁棒性:XGBoost通过正则化项和剪枝方法,可以有效地减少过拟合的风险。 XGBoost的工作原理如下: 1. 初始化:首先,将一个简单的模型作为初始模型,一般是选择一个常数值作为初始预测。 2. 偏差修正:计算初始预测值与实际目标值之间的差异,得到残差。然后,使用回归树来拟合这些残差。 3. 加法模型:将拟合的回归树与初始模型进行加权相加,得到新的预测值。即将之前的预测值与回归树的预测值相加,得到新的预测值。 4. 更新残差:计算新的预测值与实际目标值之间的差异,得到新的残差。 5. 迭代:重复上述过程,不断迭代生成新的回归树,并更新预测值和残差,直到模型收敛或达到预设的迭代次数。 在每一轮迭代中,XGBoost通过梯度和近似的海森矩阵对目标函数进行优化,选择最佳的分割点和叶子权重来构建回归树。同时,通过正则化项对树的复杂度进行控制,避免过拟合现象。 总之,XGBoost通过迭代的方式不断优化模型的预测能力,同时考虑了数据结构、特征重要性和模型复杂度等因素,使得其在各种机器学习任务中表现出色。 ### 回答3: XGBoost(eXtreme Gradient Boosting)是一种机器学习算法,是基于决策树的集成学习方法。它通过多个弱分类器的集成来构建一个强分类器。 XGBoost的核心思想是通过不断迭代训练,通过添加弱分类器并纠正先前的错误来提高整体模型的准确率。在每轮迭代中,XGBoost会计算每个样本的梯度信息,并使用这些信息来训练下一个弱分类器。新的弱分类器将根据梯度信息来修正上一轮分类器的错误。 与传统的Gradient Boosting算法相比,XGBoost通过引入一些改进来提高模型的性能。其中一个改进是使用了正则化项,以避免模型过拟合。另一个改进是引入了二阶梯度信息,以更准确地估计每个样本的预测误差。 XGBoost还使用了一种特殊的数据结构,称为"分布式虚拟内存",以在大规模数据集上高效地进行训练。此外,XGBoost还具有并行计算能力,可以利用多核处理器和分布式计算资源来加速训练过程。 XGBoost在多个机器学习竞赛中取得了显著的成绩,并被广泛应用于实际问题中。它可以用于分类问题和回归问题,还可以处理缺失值和异常值。XGBoost具有较高的预测准确性和鲁棒性,同时也具备良好的解释性,可以帮助我们理解特征的重要性和模型的逻辑。 总之,XGBoost是一种强大的机器学习算法,它通过集成多个弱分类器来构建一个准确性较高的分类器。它的优点包括高性能、良好的鲁棒性和解释性。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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