小节：categorical models

一、分类模型
1.举例，几十年前，如果你是华尔街投资人，对于Amazon公司，你觉得它是否有投资价值？
a，有投资价值，因为他是info公司，所以有投资价值（信息公司则不然）
b，没有投资价值，因为他不过是delivery，所以没有投资价值（因为现在已经有了很多运输公司UPS，EPX，而且这个行业的利润非常薄）

2.你看，不同的分类，造成了对不同公司的分类，从而也导致了你是否会投资成功，所以，怎么进行分类是关键！
我们可以把a和b看成两个盒子，其实盒子就是我们对社会的认知和框架，所以选择哪个盒子（a或b或其他）反映出你怎样对事物分类的，也将会影响你对这些事物的思考，还会影响你所做出的决定。

3.Lump to live——为了生活，必须把东西捏成团。其隐喻就是，为了理解世界，我们创造了这些团块、盒子、各种分类，我们看到一辆车，我们不会说那是几几年的什么款式的车（除非你是专业人士），而是会说那是一辆卡车、跑车等。我不会把事物分得一清二楚，我只会将事物分门别类 这些都是为了便捷 它们帮助我们理解世界 再想想我们建立模型的原因。原因之一就是用模型帮助我们 做出决定、制定策略、进行设计 所以把东西混在一起 有助于我们更快作出决定 我们将事物分类 说这一件我喜欢 这一件我不喜欢 这一件有风险 这一件没风险

4.我们会用方差来表示物体的差值，因为平方之后不仅让数值变成了正数好比较，而且会让数据之间细微的差异显得明显很多，这也方便我们观察。

步骤：
①我们会先算整体的mean（平均值）
②然后通过每个值与平均值的比较，得出结果，然后平方，最终得到方差。
③然后我们加起来得到总的方差和，英文诗total variations（总方差）

R squared-R平方：表示通过那个简单的分类，解释的方差的百分比。（即为方差/总方差的百分数）

R的公式.png

0-------------R--------------1（R 距离0和1的值，取决于数据的准确性）

！！！专家与非专家之间的一个区别就是：专家倾向于more boxes，也就是更多的分类，也就是在某个领域，分得越来越细，也就是越来越接近分子成面，就是我们可能是看到森林，而他已经看到了数目，这就是专家和普通之间的区别。

！！！记住，correlation≠causation（相关性≠因果关系）
eg：就像一般有很好的马术场的学校其学校的排名就会高很多，但是你不能说学校排名高是因为拥有好的马术场，我们是只能说统计数据显示有相关性，而不能推导出因果性，这点要注意。

我们还可以这么想，这个世界有一个总的total variations，我们的创造各种不同的盒子，目的就是为了让R的值接近100%，这样我们就能够更好的理解这个世界，对世界的理解和预测可以更包容和准确。

more 方差（R）→分类越好 ⇋ more boxes →more 方差（R）
互逆过程。