如何做決策

你可能會想，從理論上講，樹型思維的確很好，但是有那么多分支，我該怎么做決策呢？難道就沒有迷失在我們所想象的、美妙的復雜性中的風險嗎？

是的，有（歡迎來到我的世界），但請別擔心，機器學習能再次幫你脫離困難。算法也能教你如何篩選大量數據并得出結論，這正是你在日常生活中運用樹型思維所需要的東西。

機器學習基本上都是從特征選擇（feature selection）開始的：將噪聲剔除，把有用的數據篩選出來。我們需要縮小證據范圍，將注意力集中在能得出結論的信息上，這樣做是為你即將進行的實驗設置參數。

這是怎么做到的呢？有許多不同的方法，在無監督學習中最常見的方法是k均值聚類（k-means clustering）。你根據數據之間聯系緊密的程度，在數據集里創建指示性聚類簇。從本質上講，就是將看起來相似，或者具有某些共同特性的數據組合在一起，創建一定數量的聚類簇，然后用這些聚類簇來檢驗、發展你的假設。由于你不知道結果，所以要對結論持有開放的態度，并且在開始階段，只關注可以從數據中做出哪些推斷：讓數據講述自己的故事。

這真的與我們以往做決策的方式非常不同嗎？無論是無關緊要的選擇，還是改變生活的重大抉擇，我們總有一些可以檢查、試驗與聚類的數據點。在選擇穿衣服的時候，我們知道什么衣服讓我們感覺良好，什么衣服適合當前的場合，以及別人會有什么想法。如果你要選擇是否去另一個國家工作，要考慮的數據點可能包括薪水、生活方式、與家人和朋友的距離，以及職業抱負等。

在面臨重大決策時，如果你不知道該從哪里著手，那么特征選擇就是個不錯的切入點，即使你面臨的選擇讓人望而生畏，它也可以讓你思考許多其他的可能性，讓你變得更強大、更有力量。

首先，你要把真正重要的事情與那些讓你分心的事情區分開來——主要的決定因素是，這些事現在或以后會給你帶來什么感受。然后，你可以把那些具有共同特征的事情放在一起：什么東西能幫助我從A到達B，什么東西能滿足我的某種需求或抱負。有了這些聚類簇，你就可以開始構建決策樹的分支，并查看數據點之間的關系。這個過程有助于揭示你所面臨的真正選擇，而不是那些在你腦海中最先浮現的選擇（也許這些選擇是由錯失恐懼癥帶來的。錯失恐懼癥就是害怕錯過某些事情或者害怕社交媒體上陌生人可能做出的評判）。那些因素獨立于你，存在于它們自身的決策樹中，根本無法與你要考慮的因素進行類比。

選擇紅上衣還是黑上衣，選擇這個工作還是那個工作，這些從來就不是真正的選擇。這些只是你真正想要的東西的符號和表達。只有通過對數據進行排序，構建決策樹，你才能知道如何處理面前的選擇，并根據有意義的結果做出決策。比如，這個選擇會讓我感到快樂和滿足嗎？

假設世上存在“是”或“否”的二元決策，而真正的選擇始終比這復雜。我們需要透過當前選擇的表面現象，思考更深入的本質，挖掘有關我們的情緒、抱負、對未來的希望與恐懼的數據，了解它們是如何聯系在一起的，以及何種數據會把我們引向何方。這樣一來，我們就可以更現實地看待某個特定選擇會為我們實現什么，不會為我們實現什么，并且根據對我們來說重要的東西來做決策，而不是根據散落在我們身邊的盒子來做決策。這些盒子只代表我們的情感與直覺，這些情感和直覺往往被裝在擁有許多社會認可的“應該”的盒子中（“我應該趁年輕時多闖蕩世界”“我應該安定下來，不要到國外去做那種有風險的工作”等），這些“應該”規定了我們如何做人，如何做事。因此，人們往往認為，盡管有人提倡心理健康應該是一種多樣性概念，但這是一場注定失敗的斗爭，因為這些多樣性挑戰了那些“應該”。

我們還可以從機器學習的過程中了解如何使用證據。特征選擇與k均值聚類能讓你站在選擇的起點上，但僅此而已。要得出結論，還需要經過一個完整的測試、迭代與細化的階段。科學上的證據是需要檢驗的，而不是不可違逆的鐵律。你做出假設是為了質疑與改進這些假設，而不是把它們當作生活中不可改變的指南，無論它們看起來有多正確。

我們應該以同樣的態度對待生活中的證據。雖然我們一定要沿著決策樹上那根看似最好的樹枝前進，但不要在此之前砍掉其他枝條（從本質上講，這就是在宣布一個選擇是“對的”，而其他的選擇是“錯的”）。你可以嘗試你認為自己想要的東西，如果這個選擇不如你的預期，你就要回頭調整自己的假設。樹狀結構的美妙之處在于，我們能在樹枝間輕松地移動；而在看似毫不相關的盒子間穿行會讓我們感到焦慮，缺乏明確的方向感，最終難免無功而返。正如所有的數據集都包含固有的模式、隱藏的真相，以及完全不相干的事物，我們的生活也包含對于前進道路、岔路與死胡同的選擇。雖然整理證據可以讓你清楚地知道應該朝哪個方向前進，但不要徹底排除折返和再度嘗試的可能。生活不是線性的，而是具有許多分支，我們需要讓自己的思維模式符合這種現實。

這可能聽起來很隨意，但比起不顧證據做出決策并堅持到底，實際上這是一種更科學、更可持續的方法。這能讓我們像設計機器一樣設計我們的生活：更精確，更樂于測試、學習與調整。我們需要不斷改進：隨著年齡的增長，我們會收集更多的數據，這讓我們在頭腦中形成更成熟、更復雜的決策樹，這些樹能更好地反映現實情況——就像建筑師畫的設計圖與孩子畫的房子之間的差別一樣。

好消息是，你可能已經在這么做了。社交媒體讓我們每個人都變成了科學家——讓我們學會了鉆研如何上傳最完美的照片。我們要選擇什么角度，什么時間，人與物該如何組合，附帶什么話題標簽。我們會觀察、測試、再嘗試，隨著時間的推移，我們會找到記錄生活并將生活分享給世界的完美方法。如果你能在Instagram上做到這一點，那你在生活的其他領域也能做到。