/// BANGBOO BLOG /// - 竹書房 p probability diddy

高確率なものは本能的行動

■勘違いが人を動かす教養としての行動経済学入門

論理も情熱も人を動かすには弱い
不安や同調や本能を使い勘違いさせ誘導する、思考の穴を突く

　人は安定思考なのでバグらせないと行動変容させられない

ハウスフライ効果：特定の情報を繰り返し目にすることで、その情報が正しいと信じてしまう心理的バイアス
　癖付け（教育も癖付け、広告も詐欺も思考に癖付ける、同調圧力もある種

心理的距離：共感度、遠ければ苦手な人とも上手く行く(共感せず上辺だけ)

　相手の嫌なことは嫌なことで返し強化させない

生理的欲求

　食欲：生命維持に必要なエネルギーを摂取したいという欲求

　睡眠欲：休息し、心身を回復させたいという欲求

　性欲：子孫を残したいという欲求

社会的欲求

　愛情欲求：他者と親密な関係を築きたいという欲求

　所属欲求：集団に属し、仲間と繋がりたいという欲求

　承認欲求：他者から認められたい、尊敬されたいという欲求

自己実現欲求

　成長欲求：能力を向上させ、自己実現を達成したいという欲求

　創造欲求：新しいものを生み出したいという欲求

防衛本能

　危険回避：危険な状況から身を守りたいという本能

　闘争本能：敵や脅威に対して戦おうとする本能

　逃避本能：危険な状況から逃れようとする本能

■思考の穴

思考には不具合がある、無知で勘違い

何もわかっていないし、実は何もできないが出来る気になっている

不眠に睡眠時間を増やすべき、では解決にならないだろ、相関や因果は分かれ

　メカニズムがあると思い込むと因果関係に相関関係がなくても信じてしまう

綿密な計画を立てることでスムーズに進むと錯覚し逆に酷くなった→見積の倍を確保するとよいが、思考の穴があるやつの見積とは何ぞや？

確証性バイアス、信じたことの裏付けの証拠ばかりを集め強化する、幸福度は高いが悪循環なら最悪→反芻しない、one more brand new day、正反対のことを検証すると避けられる

流暢性の罠→動画を見ると踊れると勘違い→訓練をちゃんとする

歴史、文化、経済、政治の信条的なバイアス→強い拒否感で問題になり易い、公正に公共の利益を守る別システムを意識的に再構築するしか

因果関係を誤信させる→共通点・類似性を提示しよう、原因と勘違いしてくれる

大数の法則では少数より大数が常に優れ誤謬が避けられる→大数の統計データより個人のストーリーを発信し影響力を行使

平均への回帰→調子がありより良い時もあればより悪い時もあるが好まれる方を押し出す

ネガティビティバイアス→5%避妊に失敗より95%避妊成功の方が印象良いので言い方

保有効果→保有による愛着で痛覚、鎮痛剤が効き痛覚が低いと冷静、昔は損=死であったが現代は損切りも必要

　押入から全部床に出して何を残すか（コンマリ断捨離で保有効果を回避し収得する感覚にする

損失回避→期待値よりリスクを見て損をさけようとする、これも痛覚→期待値で設計するより得する感覚を押し出す

利己→他者が置かれている状況を重ねられるようにする→ワーストケースシナリオを共有する

　子供は嘘をつけない、他者の考えが違うことを知らないから、サイコパスと同じ利己

遅延割引、確実性効果→遅れて得られる報酬の価値は割引れる、苦痛も先延ばししがち→即効性や100%を約束する

　マシュマロ待ちテストでまてた子はsatが高くなる、待つ期待値を正しく評価した方がいいかも、gritにも繋がる

自己管理能力の高く社会的経済的地位が低いと心血管疾患が多い

　困難なタスクには極端にハイレベルな自己管理力が必要

　　中レベルの自己管理力は高困難タスクにうまく対処できなかった→スーパーマンでなければ個人の幸福度を優先した働き方が良い？

ア●公には必要な教養、高慢かつ神経質だから人気？→少し新規性があったが具体的には自分の経験として詐欺的に試すしか実感でけへんなぁ

■ベイズの定理

原因Xが起こったもとで結果Yが起こるというのが条件付き確率の計算式

P(Y|X)= P(X,Y)/P(X)　X→Yが起こる確率をXで割っている
↓

ベイズの定理は、結果Yが起こったもとで原因Xが起こる確率が分かるという逆を出せる

P(X|Y)=P(Y|X)P(X)/P(Y)　条件付き事後確率を原因Xで掛けて結果Yで割るとYかつXである確率が分かるという神の数学

↓

元々の確率が尤度（ゆうど、likelihood、もっともらしさ、新しいデータ）を受けて確率がどう変化するか計算できる

ベイズ更新：一度求めた事後確率を事前確率として用いることで、新しいデータを入手するたびに、事後確率を更新して洗練することができる
ベイズの定理とは？誰でも理解できるようにわかりやすく解説 | HEADBOOST

■ユダヤの商法　藤田田

合理、契約、ケチ、疑い深い、信用、仕事お金至上

金を巻き上げる/お金は奪い合い

　取引額を倍々に増やし現地を耕した後に進出して直売りに変更等エグイ

　日本の大企業の社員は自分の力を過大評価し世界では通用しない

食を楽しむ

　宗教上休みをきっちり取るし、食を楽しむやイイ女を囲ったり楽しんでる

　風呂でシッカリ体を洗い清潔

金持ち、女と口、好きなものより苦手なものを売った方が割り切れる

　ターゲットは金持ち/女性を狙う等、これは確実に見習いたい
田さん陳さん東大でGHQに通訳アルバイトし19に弟子入りし銀座のユダヤ人になった

買い切りかリピート購入/サブスクか、買い切りは長く続ける商売でなく店を畳んで違う商品をやる

広告投資管理7割：年間に支払う平均金額(1年LTV)>客一人獲得に掛かる広告費上限(CPO)

■確率思考の戦略論

客引きもバンカーも運転手も世界各国で同じ雰囲気＞法則がある

　オペを遅くしてでも行列を作る、先着サイコロ無料話題をつくる、ライトが明かる過ぎるとか目立つ店構え

＝＝＝＝
多変量解析
消費者の行動を左右する要素は様々だが、「絞り込むと本質的には3つ程度しか残らない」
最も重視すべきは「プレファレンス（相対的好意度）」。次にどれだけ知ってもらえているかという「認知」、その後、消費財であれば製品の手に取りやすさを示す「配荷」、テーマパークであればパークまでの「距離」が続く。企業が重視しがちな品質や技術力といった「パフォーマンス」の優先順位は低い。「新機能を搭載しただけでは、消費者に響かない」。相対的好意度、認知、配荷のどれかが足りないと、どんなにいい製品も埋もれてしまう。

商圏
テーマパーク業界の失敗例を調べ全国で閉園になった約50の遊園地を見ると、すべて需要を上回る投資をしていました。　需要は商圏の大きさやその人口を調べると分かります。明らかにお金を使ってはいけないところに投資をしていたのです。

可視化
思考力に強みを持つ人を「T（＝Thinking）型」、人とつながる力や伝える力が強い人を「C（＝Communication）型」、人を率いて動かす力を強みとする人を「L（＝Leadership）型」として、3つに分類し可視化。可能性の高い分野に資源を集中。

＝＝＝＝

国の大学教育の目標人材「思考力、判断力、俯瞰力、表現力の基礎の上に、幅広い教養を身につけ、高い公共性、倫理性を保持しつつ、時代の変化に合わせて積極的に社会を支え、論理的思考力を持って社会を改善していく資質」

↓

１）分野を超え先端の学問を学び時代の変化に合わせて積極的に社会を改善していく人材

２）高度な教養と専門性がある人材

３）高い実務能力がある人材

■データ解釈学入門

garbage in garbage out　ゴミを見てるとゴミしか出てこない

測定が難しい、欲しいデータが取れないことの問題

ランダム要素の和は正規分布が多い

観測のプロセスがデータに既に影響を与えている

ピークが複数ある、外れ値等で分布を見ておきたい
実数を見たら割合も見る

因果関係が特定→メカニズム理解

因果関係がある→介入で影響力出せる

相関関係がある→予測できる

目的変数または従属変数　ワインの質

説明変数または独立変数　天候温度等

両方が量的変数なら重回帰分析

目的変数がカテゴリ変数で説明変数が量的変数ならロジスティック回帰

目的変数が量的変数で説明変数がカテゴリ変数なら分散分析や多重比較分析

目的変数も説明変数もカテゴリ変数ならクロス集計表

予測は例外事象に弱い

　内挿=interpolation　データ内で完結

　外挿=extrapolarion　データがない領域の予測

史上最高温度でのアイスの売上（1日2個食べる、暑すぎて外出控え買わない、他の流行

パーセンタイル　大小で並べた特定%分

幾何分布
　試行を繰り返し、初めて成功するまでに必要な試行回数をモデル化する離散分布。

　例: コインを投げて初めて表が出るまでの回数。

二項分布

　一定回数の試行で、成功する回数をモデル化する離散分布。

　例: 10回コインを投げて表が出る回数。

負の二項分布

　成功が指定回数起こるまでの試行回数をモデル化する離散分布。

　例: サイコロを振って、5回目の「6」が出るまでの試行回数。

ポアゾン分布

　単位時間または単位空間内での稀な事象の回数をモデル化する離散分布。

　例: 1時間内に受ける顧客の電話数。

指数分布

　事象が発生するまでの待ち時間をモデル化する連続分布。

　例: 顧客が来るまでの時間。

ガンマ分布

　複数の指数分布の待ち時間を足し合わせた分布。

　例: 3件目の電話がかかるまでの待ち時間。

誤差　error

確率分布　probability distribution

正規分布　normal distribution aka ガウス分布

平均値　mean

分散　variance

最頻値　mode

標準偏差　standard deviation

確証バイアス　confirmation bias

相関係数　correlation coefficient

交絡因子　confounding factor

因果効果　causal effect

平均処置効果　average treatment effect

実験群　experimental group

対照群　control group ゾロ投薬

重回帰分析　multiple regression analysis

サンプリング調査　sample survey

二項分布　binomial distribution

帰無仮説　null hypothesis

対立仮説　alternative hypothesis

有意水準　significance level

正規性　normality

等分散性　homoscedasticity

樹状図　dendrogram

汎化　generalization モデルが他のデータにも有効

再現性　Reproducibility　他者が同じデータと方法で同じ結果を得られる
　Replicability　独立した研究で同様の結果を得られる

特異性　specificity

妥当性　validity
納得感　plausibility

整合性　coherence

類似性　analogy

誤謬　fallacy

■データサイエンス入門

80分で学ぶ！Pythonによる回帰分析の基本【Pythonデータサイエンス超入門】 - YouTube

jupyter notebook: pythonの実行環境、ラボラトリみたいなもの

分析か機械学習か

プロット打って線形から予測>重回帰分析>説明変数から目的変数を出す

p<0.05場合により0.01なら説明変数に影響力があることが分かる
p値が高いものは抜いたモデルでも良い
　定数という意味で切片constant、で、これは必須
交互作用>説明変数の掛け算>特徴量

データから重回帰分析結果を整理してモデルを作成>未来予測
説明変数間で相関が大きいマルチコしていると駄目
　y軸との交点という意味で切片intercept
ロジスティック回帰分析は正誤判定の2項分布でS字グラフ、確率
ポアゾン回帰分析は発生回数で、正規分布

90分で覚える！Pythonによる機械学習の基本〜教師なし学習編〜【Pythonデータサイエンス超入門】

セグメント分けk-means、ターゲットのセグメントを予測

次元削減するとセグメントを出せる>寄与率(落した次元が落した情報残存率)

セグメントの意味は人間が考える

　pcaならmodel_dim.componentsで要素出現をマップ化できる

セグメントをさらに関係化し階層クラスタリング

クラスタ数推測> エルボー法>自動推測ならx-means

アソシエーション分析> 同時発生調査、DAG関係性

support(同時発生率)、confidence (Aの内のAB同時発生率)、lift (Bの内のconfidence率)

2時間で覚える！Pythonによる機械学習の基本〜教師あり学習編〜【Pythonデータサイエンス超入門】 - YouTube

機械学習：ラベルを教えターゲットのラベルを予測
　強化学習：報酬の定義を教え、最大化する行動を予想(解釈不能だが精度が高い

回帰問題regression→数値で予測

分類問題classification→ YかNか予測

決定木分析:影響のある順に2択を繰り返す(データ偏りに弱い、精度が低いが解釈しやすい

サポートベクターマシン (SVM: 綺麗に分ける線を見つける

ランダムフォレスト: 決定木を沢山つくり多数決

勾配ブースティング: 決定木を徐々に改善 (精度が高い

精度:結果が分かっているデータを使った回帰モデルの誤差を2乗し平均を取る(平均2乗誤差

　分類の精度は横)結果2×縦)予測2=4パターンの混同行列しかない。横の合計が実値、縦の合計が予測値

　正解率(全体)

　平均再現率(Y/Nそれぞれの正解率を平均: recall)

　平均適合率(各予測の正解率を平均:precision)

　平均F値(再現率と適合率の調和平均:f1-score)

学習用とテスト用(結果を隠す)にデータを分け、モデルの精度を確認

　学習用データでモデルの精度を計測>>テスト用データでモデルの精度を計測→過学習かも、同じ位が良い

↓

分析

　プロットを作成し線形性を確認してから予測

　重回帰分析を用いて説明変数から目的変数を予測

ML教師なし

　クラスタリング（例：K-means、階層クラスタリング）を用いたセグメント分け

強化学習

　報酬を定義しそれを最大化する行動を学習（解釈は難しいが、精度が高い）

ML教師あり

　回帰問題（Regression）：数値を予測（例：線形回帰、ランダムフォレスト回帰）

　分類問題（Classification）：クラスを予測（例：Y/N、A/B/Cなど）