幸存者偏差Survivorship Bias
"最不符合逻辑的地方,一定埋藏着最深刻的逻辑。"——余秋雨《行者无疆》
为什么要说幸存者偏差?
因为2018年全国II卷的描述即为典型的“幸存者偏差”,且这一例子被引入维基百科。这是一个常见的认知偏差。
幸存者偏差简介
先来段维基百科的解释:
幸存者偏差(英语:survivorship bias),另译为“生存者偏差”,是一种认知偏差。其逻辑谬误表现为过分关注于目前人或物“幸存了某些经历”然而往往忽略了不在视界内或无法幸存这些事件的人或物。其谬论形式为:幸存过程B的个体A有特性C,因此任何个体幸存过程B需要有特性C。有特性C但无法幸存过程B的个体被忽略不加以讨论。逻辑偏差在于只关注筛选结果做出评估,而忽略筛选条件与筛选机制等信息。用俗语“死人不会说话”来解释其成因意指当取得资讯之管道,仅来自于幸存者时(因为无从由死者获得来源),此资讯可能会存在与实际情况不同之偏差。这种偏差可以导致各种错误结论。
应该没人想去看这些术语解释,
幸存者偏差即“死人不会说话”,人们常常关注到成功者,也就是幸存者,却忽略了了死者,也就是失败者。
再放个常见的例子:
每个成功者都很努力,所以只要努力就能成功。
很明显,这是错的,可是错在哪里呢?
从幸存者偏差角度来讲,此例却无提出努力却失败的人,直接无视了失败者。
还有几个常见例子:
为什么好莱坞拍的都是大片?
因为拍烂的电影根本没有机会在国内上映,
你根本没机会看见。
某电台记者在高铁上采访乘客是否买到车票。
而买不到车票的人根本上不了车。
经商致富的成功者出书介绍自己的成功办法。
与该书作者做了相同事情的其他人,未获成功,但失败者是无法出书的,所以我们会误以为该书介绍的办法就是成功的途径。
跑酷怎么这么酷?
失手的早死了,怎么给你传视频?
那么下面这个呢:
某记者在网上搜出“民国小学生作文”,文采极好,于是记者总结道:现在的小学语文教育和民国时没法比啊!
还是错的!
民国小学生作文之所以能流传到今天,必然是当时就是佼佼者,它是幸存者,代表不了当时民国小学生的整体水平。
现实生活中的幸存者偏差
很熟悉的一个例子,尤其在吹B饭局上多见:
读书无用论:
谁谁谁没上过大学,如今照样挣大钱,手下全是硕士博士。而好多读书认真用功,考上大学的人,毕业后反而不如那些没好好学习的人混的好。
两个关注点:
1.低学历者的成功被人关注并无限放大
2.高学历者的失败被人关注并无限放大
有什么特点?
这两个事例都不常见,且符合吹B者的观点,所以极易被人关注并吹捧。
低学历者的失败,高学历者的成功却司空见惯,无人提起,而恰恰这些才是普遍现象。
低学历者的成功就是幸存者,如果我们只关注幸存者,而不去看死人(普遍现象)这个庞大的群体,结论就会出错。
就像寒门子弟考上清北被大肆宣传,一个北京上海人考上根本没有人理是一个道理。
又如游戏主播
同步自我的博客:
你看到某游戏主播收入百万,于是自己也想去当,觉得自己也能这么干,还可以打游戏。
算了吧!
中国的网络主播人数已超过百万,只有不到1%的人,能够年收入百万千万。你看到的只是百分之一。
你看到那些一天只有个位数观看的主播吗?
你看不到,你的首页只有千万关注的大主播。
你看见了站在塔尖的人,却不想看到这条路曾经埋葬了多少理想和年少。
总结
幸存者偏差,即人们只关注到幸存者,而不关注死者(也无法关注,他们已经“死”了)。
这是很常见的认知偏差,更有甚者利用这种偏差诱导舆论方向(媒体)。
只有同时关注到幸存者与死者,才能最大限度避免盲从。
别让幸存者影响你的判断
这个世界远比你看见的复杂
看不见的弹痕才是最致命的
幸存者偏差Survivorship Bias的更多相关文章
- 偏差(bias)和方差(variance)及其与K折交叉验证的关系
先上图: 泛化误差可表示为偏差.方差和噪声之和 偏差(bias):学习算法的期望预测与真实结果(train set)的偏离程度(平均预测值与真实值之差),刻画算法本身的拟合能力: 方差(varianc ...
- SE_Work4_软件案例分析
项目 内容 课程:北航-2020-春-软件工程 博客园班级博客 要求:分析软件案例 个人博客作业-软件案例分析 班级 005 这个作业在哪个具体方面帮助我实现目标 分析对比一类软件,学会规划分析软件的 ...
- 偏差(Bias)和方差(Variance)——机器学习中的模型选择zz
模型性能的度量 在监督学习中,已知样本 ,要求拟合出一个模型(函数),其预测值与样本实际值的误差最小. 考虑到样本数据其实是采样,并不是真实值本身,假设真实模型(函数)是,则采样值,其中代表噪音,其均 ...
- 【Udacity】误差原因——方差variance与偏差bias
偏差造成的误差-准确率和欠拟合 方差-精度和过拟合 Sklearn代码 理解bias &variance 在模型预测中,模型可能出现的误差来自两个主要来源,即:因模型无法表示基本数据的复杂度而 ...
- 机器学习:偏差方差权衡(Bias Variance Trade off)
一.什么是偏差和方差 偏差(Bias):结果偏离目标位置: 方差(Variance):数据的分布状态,数据分布越集中方差越低,越分散方差越高: 在机器学习中,实际要训练模型用来解决一个问题,问题本身可 ...
- 偏差-方差均衡(Bias-Variance Tradeoff)
众所周知,对于线性回归,我们把目标方程式写成:. (其中,f(x)是自变量x和因变量y之间的关系方程式,表示由噪音造成的误差项,这个误差是无法消除的) 对y的估计写成:. 就是对自变量和因变量之间的关 ...
- 机器学习中学习曲线的 bias vs variance 以及 数据量m
关于偏差.方差以及学习曲线为代表的诊断法: 在评估假设函数时,我们习惯将整个样本按照6:2:2的比例分割:60%训练集training set.20%交叉验证集cross validation set ...
- Chrome DevTools & performance & keywords
Chrome DevTools & performance & keywords performance / 优化性能 https://developers.google.com/we ...
- 个人作业Week3-案例分析
DeadLine:2017.10.13 23:00 声明:本作业以邹欣老师博客 http://www.cnblogs.com/xinz/archive/2012/03/26/2417699.html ...
随机推荐
- 用VSCode插件来一键填满Github的绿色格子吧-AutoCommit
autoCommit 一个用于Git自动commit的VSCode插件,它可以用来补充之前忘记提交commit,帮助你把首页的绿色格子填满. 使用效果 使用本插件来控制commit次数. 如下图,你甚 ...
- 【重要】Pro Git 第二版 简体中文
不管是入门还是精通git,下面这本书都是必读,同时它也是官方推荐书籍. Pro Git 第二版 简体中文 我自己还收集了一份网页版的progit,但可能不是progit第二版. 下载地址 ...
- linux下解压缩文件中文乱码问题的解决
在windows上压缩的文件,是以系统默认编码中文来压缩文件.由于zip文件中没有声明其编码,所以linux上的unzip一般以默认编码解压,中文文件名会出现乱码. 虽然2005年就有人把这报告为bu ...
- phpstudy nginx设置CORS跨域不起作用的可能解决方法
今天搞了半天的跨域问题,想通过nginx配置跨域,希望以后本地调试程序都不用为这件事烦心.无非就是设置几个请求头: add_header Access-Control-Allow-Origin *; ...
- 函数组合的 N 种模式
随着以函数即服务(Function as a Service)为代表的无服务器计算(Serverless)的广泛使用,很多用户遇到了涉及多个函数的场景,需要组合多个函数来共同完成一个业务目标,这正是微 ...
- .NetCore自定义WebAPI返回Json的格式大小写的三种方式
.NetCore的Controller/WebAPI可以帮我们将返回结果自动转换为Json格式给前台,而且可以自由设定格式(大写.小写.首字母大写等),我总结了三种方法,对应三种灵活度,供大家参考 ( ...
- Yum注册
我虚拟机安装的系统是RedHat Enterprise Linux 6.4-i686,是32位的.使用yum命令安装软件时候出现以下错误: This system is not registered ...
- tomcat性能优化梳理
tomcat性能优化 Tomcat本身优化 Tomcat内存优化 启动时告诉JVM我要一块大内存(调优内存是最直接的方式) 我们可以在 tomcat 的启动脚本 catalina.sh 中设置 jav ...
- Spring boot 学习中代码遇到的几个问题
1.报一大段红错 此时对象还是能创建成功的,解决方案参考链接https://blog.csdn.net/wanglin199709/article/details/99121487 2.无法创建对象 ...
- Docker(一):理解Docker镜像与容器
一.镜像的概念 1.广泛镜像概念: 镜像是一种文件存储形式,是冗余的一种类型,一个磁盘上的数据在另一个磁盘上存在完全相同的副本即为镜像. 2.Docker镜像概念: 在Docker中镜像同样是一种完全 ...