“思考再思考，然后采取行動(dòng)”，這樣的流程是不是聽起來很熟悉？大多數(shù)人都是這樣做的。

然而，這個(gè)思考流程很可能是一把雙刃劍：在一些情形下，結(jié)果可能積極有用，但在另一些情形下，結(jié)果可能有害，甚至反噬自身。后者是我們都希望避免的。為了清晰了解情緒的劃分，我編寫了這個(gè)機(jī)器學(xué)習(xí)（ML）程序。

隔離階段讓我有機(jī)會(huì)探索自我并審視自己的思路。我不是一個(gè)沉思者，但是總會(huì)陷入紛亂的思緒之中，每當(dāng)這時(shí)，我都需要理清思路。因此我要?jiǎng)?chuàng)建一個(gè)可以分析我的思考過程的ML模型。我用KNN算法判斷應(yīng)該避免的情緒，并通過可視化技術(shù)將我的情緒以圖形展示，使我清晰地一覽全貌。下面是我的做法：

作為開始，我創(chuàng)建了一個(gè)有不同想法的數(shù)據(jù)集;

使用KNN算法;

使用可視化技術(shù);

最后，我學(xué)會(huì)了分割思考過程。

創(chuàng)建數(shù)據(jù)集

數(shù)據(jù)集由九種情緒（特征）組成：沮喪，悲傷，卑微，哭泣，痛苦，困惑，快樂，振奮和堅(jiān)定。我將它們分為三類（標(biāo)簽）：積極，消極和中立。另外，我根據(jù)標(biāo)簽對這九種情緒/特征均按1-10的標(biāo)準(zhǔn)進(jìn)行了評分。于是我創(chuàng)建了共150個(gè)案例。這是數(shù)據(jù)集的前幾行：

使用KNN算法

在開始下一步之前，首先需要掌握一些監(jiān)督式學(xué)習(xí)的ML基本術(shù)語：

為了訓(xùn)練、測試和評估一個(gè)模型，我們使用一系列案例;

這些案例包括與模型相關(guān)的特征和標(biāo)簽值;

特征是用于訓(xùn)練算法的基礎(chǔ)值;

一旦訓(xùn)練部分結(jié)束，算法就能預(yù)測測試特征的正確標(biāo)簽值。

目標(biāo)是正確預(yù)測標(biāo)簽。因此，受訓(xùn)算法的精度應(yīng)該很高。如果不高，應(yīng)使預(yù)測的標(biāo)簽值和原本標(biāo)簽之間的誤差最小化。有了這些基礎(chǔ)知識(shí)，讓我們接著來了解KNN算法。KNN是監(jiān)督式的機(jī)器學(xué)習(xí)算法，“K”是待分類點(diǎn)鄰近值的個(gè)數(shù) （例如，K=1、2、3等）。

左圖中，KNN會(huì)將“？”歸類為綠色星星，因?yàn)樗罱Ｍ瑯樱谟依蠯NN會(huì)將“？”歸為黃色三角，因?yàn)檫@些三角形是最接近的多數(shù)情況。

新案例與已知案例之間的接近程度，可以使用任意距離函數(shù)，如歐幾里得尺度和明可夫斯基尺度等體現(xiàn)。因此稱之為最鄰近。這樣，KNN算法對新案例進(jìn)行了分類。在這種特定模式中，KNN要正確預(yù)測各個(gè)情緒的分類。預(yù)處理所有數(shù)據(jù)后，我使用了KNN算法，然后計(jì)算出準(zhǔn)確度為98.6%。這是顯示相同的代碼段：

使用可視化技術(shù)

我用數(shù)據(jù)可視化進(jìn)行了分類，圖表更便于理解，并創(chuàng)建了一種解決方案，用來預(yù)測我應(yīng)該避免什么樣的情緒才能保持一個(gè)積極的心態(tài)。這個(gè)技術(shù)將幫助我分辨標(biāo)簽類別（積極、消極和中性），為此我使用了“箱形圖”。

結(jié)果

KNN生成的圖表顯示：

沮喪：算法將該特征歸類為消極，這是顯而易見的。但值得注意的是，在消極和中立之間有小部分的重疊。同時(shí)消極與中性界限也非常細(xì)微。這表明沮喪的情緒在某種程度上能夠激勵(lì)自己取得積極成果。綜合考慮后，它被歸類為消極標(biāo)簽。

困惑：這項(xiàng)結(jié)果很有意思，算法將其標(biāo)記為積極。在分析之前，我曾避免自己有困惑情緒。也許這些搖擺不定的情緒也能產(chǎn)生積極的結(jié)果，也許它們給了我們時(shí)間來衡量形勢的正反面。

悲傷：毫無疑問，這類情緒注定會(huì)產(chǎn)生消極的結(jié)果。

自卑：有時(shí)候頭腦中會(huì)出現(xiàn)一些隨機(jī)的想法。它們沒有來由沒有依據(jù)。算法將這些情緒歸類為中性。

哭泣：與悲傷特征類似，該特征也被歸為消極。但我認(rèn)為它可能也有中立的一面，因?yàn)榭奁梢詭椭胶馇榫w。但如果依據(jù)圖表來給定標(biāo)簽，很可能將其歸類為積極而非中性。總體來看，它會(huì)引發(fā)消極情緒。

痛苦：根據(jù)模型的預(yù)測，痛苦是導(dǎo)致心情不好的最重要特征。因此，它是極其消極的。

振奮：KNN預(yù)測這個(gè)特征對我有益。但是，該圖顯示中性和消極情緒略有重疊。此外，令人吃驚的是，如果我們僅考慮這兩個(gè)標(biāo)簽，消極標(biāo)簽的影響要比中性標(biāo)簽大得多。

堅(jiān)定：該特征非常有趣。結(jié)果之間幾乎沒有任何區(qū)別，很難立即做出詮釋，但是使用箱形圖可以輕易地理解這一點(diǎn)。

箱形圖提供了詳盡的圖示。圖示清晰易懂，它們根據(jù)特征或思想給出了三種不同情緒或標(biāo)簽的清晰區(qū)分。它描繪的結(jié)果與KNN圖或多或少相同，但它提供了更好的解釋：

堅(jiān)定：盡管看起來這一特征明顯會(huì)被歸類為積極，但是KNN圖表根據(jù)數(shù)據(jù)顯示了這三個(gè)標(biāo)簽之間的相似性，這種相似性可能會(huì)產(chǎn)生誤導(dǎo)。看看箱型圖你就會(huì)發(fā)現(xiàn)，積極的結(jié)果只比另外兩個(gè)高一點(diǎn)。因此，該特征被歸類為積極標(biāo)簽。

快樂：毋庸置疑，此特征為積極標(biāo)簽。但是，它對中性的四分位數(shù)遠(yuǎn)大于正數(shù)，如果僅考慮中性和負(fù)數(shù)，則中性要高于兩者。

這個(gè)項(xiàng)目非常有趣。起初，我以為分類結(jié)果是簡單且顯而易見的，但完成后，我才意識(shí)到這不僅僅是個(gè)分類。一個(gè)ML程序不僅能預(yù)測人類可以輕松完成的特定任務(wù)，還可以對數(shù)據(jù)集深入分析。

雖然這只是仿人智能的開始，但卻非常有趣，也許這就是‘機(jī)器學(xué)習(xí)’命名的由來。
責(zé)編AJX