关于测度的思考

开发十年，就只剩下这套架构体系了！ >>>   

经历了一段时间的机器学习工程实践后，我发现，最难被工程化的地方就是测度，而测度可以是不精准的，也可以是动态的。想要对测度进行标准化，目前来看是一件很困难的任务。

伴随着对机器学习领域的深入，我对机器学习自动化的信心也越来越强，但在整个知识体系的拼图上，始终有一块让我无法突破:

1.数据的获取可以使用爬虫技术自动化；

2.数据的处理可以使用特征工程自动化；

3.模型的选择可以使用贝叶斯自动化；

4.模型的参数调整可以使用参数穷举自动化；

可是模型关键指标的选取又该如何自动化呢？这里的关键指标就是指AUC，KS，MSE等衡量指标。

我一边钦佩发明这些指标的大神，一边又陷入了苦恼的沉思:

难道，正如某位朋友说的，不要试图把所有的东西都放到盒子里？

那如果我们无法将已知的经验自动化，我们孜孜不倦的发展科技和理论又有什么意义？

我想，一定还是有办法的。

于是我不断的去观察这些指标，所有的数据和指标的定义都指向了一种方法论，那就是数学领域里一个叫测度论的东东。

我也一直坚信数学是人类认识宇宙本质的抽象。只要能用数学描述的事物，就一定能自动化，只是时间问题。

可是在测度论的领域搜刮了一番后，我又失望了。

现代测度论，大多只是介绍已有测度的成果，例如各种已发现的定义，各种已知的关系。并没有组织一套有效的方法论去概括和总结一个测度的发明过程。

难道人类的进步永远只能靠一个个天才的灵光一现？这样的发展是多么不靠谱？对于习惯了工程思维的我，这样的结果确实不能让我满意。

从网上搜刮了一番，倒是找到一些：

《定性指标的设计、测度与分析》

http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y325489

《浅析统计设计的指标体系和原则》

http://xueshu.baidu.com/usercenter/paper/show?paperid=5ec44fc2eb823b1fc44c632fc6f5a2a9&site=xueshu_se

大致内容也是通过统计学的手段去量化定性数据

综上，测度不应该建立在太多主观因素的基础上，希望能尽快找到成熟的理论体系，去指导我们进一步的工程化！?

坐等大神来怼！希望我的思维是错误的