信号与噪声:大数据时代预测的科学与艺术
Nate Silver[美]纳特•西尔弗
读书笔记
预测是什么
预测是本书的中心问题，同时也是信息过载的一个解决方案。预测在生活中必不可少，每次我们选择工作方法，决定是否要投资，都是对未来事情的预测。预测是人们的共同事业，而不仅仅是一些从业者或相关专家的职责。预测永远无法完全准确，因为带有主观色彩，同时预测的目的，是追寻客观存在的真理，所以预测是主观世界与客观世界的连接方式。
大数据时代
1440年，约翰内斯发明印刷机之后，书籍的成本迅速下降，在印刷机发明的一个世纪内，书籍的生产规模呈指数型增长，数量增长了近30倍，人类知识随即进入快速积累期。一切的信息都有了更快的传播渠道，到了现在，出现了大数据这个词（也是在各种论坛讲座上出现频率较高的一个词汇），肯锡全球研究所给出的定义是：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合。
当信息增长速度过快，若我们的处理能力不足，带来的问题也比较多。20世纪七八十年代的计算机热非但没能推动经济和科学的发展，反而造成了两个领域生产力水平的短暂下降，经济学家讲这种现象称为“生产力悖论”。保罗.克鲁格曼说，“因为大量的理论堆积如山，验证数据少的可怜。” 人们利用计算机制作粗略的模型，大胆的预测，但在精度和准确度上都差强人意。 另一个方面，人们会按照自己的意思解释一切实务的原因，不论这些事物的真实情况是否如此。所以人们很难从干扰的噪声中分辨出有用的信号，数据展示的都会是我们想要的结果，而且我们也通常会因为这些结果而轻易地皆大欢喜。
贝叶斯定理
本书主要介绍了贝叶斯定理这种预测理论,即"条件概率"（Conditional probability），就是指在事件A发生的情况下，事件B发生的概率，用P(B|A)来表示。
公式为 P(B|A)=P(A∩B)/P(A)，P(A∩B)=P(B|A)*P(A)
同理有 P(A∩B)=P(A|B)*P(B)
由上面两式可得 P(B|A)*P(A)=P(A|B)*P(B)
变形： P(A|B)=P(B|A)*P(A)/P(B)
贝叶斯定理与其他统计学推断方法截然不同。它建立在主观判断的基础上，也就是说，你可以不需要客观证据，先估计一个值，然后根据实际结果不断修正。
我们把P(A)称为"先验概率"（Prior probability），即在B事件发生之前，我们对A事件概率的一个判断。P(A|B)称为"后验概率"（Posterior probability），即在B事件发生之后，我们对A事件概率的重新评估。P(B|A)/P(B)称为"可能性函数"（Likelyhood），这是一个调整因子，使得预估概率更接近真实概率。所以，条件概率可以理解成下面的式子：
后验概率 ＝ 先验概率 ｘ 调整因子
这就是贝叶斯定理的含义。我们先预估一个"先验概率"，然后加入实验结果，看这个实验到底是增强还是削弱了"先验概率"，由此得到更接近事实的"后验概率"。
这一理论表明，我们必须从不同角度去思考我们的想法，以不同的方式检验我们的想法，并且坦然面对各种可能性和不确定性。贝叶斯定理不能接受的是，你假装自己没有任何初始观点和偏见，以正义公平的名义给科学预测带来灾难。
章节安排
第一章至第三章讨论了近期出现的金融危机大背景下的失败的预测，预测中有的很准确，有的则很离谱。第四章至第七章重点讲述动态系统：地球大气层的动态会带来天气的变化，构造板块的运动会引发地震，复杂的人类活动会影响美国经济，还有传染病的传播、扩散。最优秀的科学家正在研究这一系列的因果关系，然而各类动态系统使得预测变得更加困难，这些领域的预测活动总是不尽如人意。第八章至第十章主要探讨解决方案。体育和游戏都遵守规则，这一点是检验预测技巧的实验所必需的。这几章帮助我们更好地理解什么是不可测性和不确定性，让我们深刻理解如何把信息转变为知识。然而，贝叶斯定理也可以被用来解决更多现存的问题。第十一章至第十三章讲到了三 个问题：金融市场泡沫、全球变暖和恐怖主义。这3 个问题对那些预言家和美国社会而言，都很棘手，但如果接受挑战，我们就能使我们的国家、我们的经济和我们的星球更加安全。
不断犯错，不断尝试，这或许是贝叶斯定理应用起来最容易的一个原则了：进行大量的预测，这是唯一能够让自己取得进步的方式。
