鸣鱼网 股票知识 职场上,有计划做不到?经验风险最小化,教你降低期望误差

职场上,有计划做不到?经验风险最小化,教你降低期望误差

一年伊始,邮件里的年终总结,渐渐成了年初展望。 就连朋友聚会,我们都不约而同地提起了新年计划,想让今年的业绩更…

一年伊始,邮件里的年终总结,渐渐成了年初展望。

就连朋友聚会,我们都不约而同地提起了新年计划,想让今年的业绩更出色。

然而,有个朋友却极为苦恼。他无奈地说,完全不用做什么新计划了。只需要把2019年的计划照抄一下,2020年依旧能用。反正每次都是想的很好,却完全做不到,最后计划只是计划而已。

拿他的2019年来说,他是技术岗,做了五年了,自然希望自己能够突破。所以计划一年内,要从工程师升到高级工程师。计划很完美,可他不知从何入手,连高工答辩都不敢去。奢望的升职加薪,成了平平庸庸,这就是制定目标后的期望误差。

甚至,他苦笑着问我们,一不留神自己都30岁了,一直停在工程师,月薪也就一万出头。目标总是制定了也实现不了,是不是这辈子就只能这样了?随便混混得了。

这话太丧气了,我劝住了他,告诉他不妨看看经验风险最小化算法。也许就能明白,想得美做不到的缘由是什么?制定目标后的期望误差又该怎样解决?

经验风险最小化是什么?

想得美也做得到,就需要降低跟期望的误差,对经验风险最小化算法深入了解。经验风险最小化 (Empirical Risk Minization,ERM)出自统计学理论,为了优化算法性能,从经验数据中找到合适的策略,减少计算损失,从而降低期望误差。

1、经验风险最小化的内涵

经验风险最小化的内涵,正是从经验数据中得到优化,其中风险在于数据的真实分布不一定如人所想象,因此函数计算就会有损失。同理,就拿我朋友的案例来说,计划当然也跟实际有误差。那怎样衡量性能,减少误差,正是我们所需要的。

经验风险最小化用于为算法的性能提供理论上的界。核心思想是我们无法确切知道算法在实际中的运行情况(真正的风险),因为我们不知道算法将在其上运行的数据的真实分布,但我们可以在一组已知的训练数据(经验风险)上衡量其性能。

我们无法确切地知道算法的边界,自然也无法预料到计划会怎样实现。这就是想得美做不到的缘由。因此,我朋友很苦恼于期望很高,计划很完善,最后实施起来却是一头雾水。因为搞不懂这个计划能真正运行起来的效果。

但我朋友已经工作了五年,不是职场新人,也具有职场中的经验,此时他完全可以通过自己的经验(已知训练数据)来衡量计划的风险性,他具备通过经验风险最小化来降低期望误差的条件。

可他只制定远大目标,从未用经验数据衡量,最后就成了想得美做不到。

2、为什么要引入经验风险最小化?

当他意识到自己的目标总是完成不了时,就会很沮丧。就像是这次聚会时他说的很丧气,因为人是对自己有期望的,这也是会制定目标的原因。而期望很有价值,能够降低期望误差自然非常重要。

在姜立利《期望价值理论的研究进展》中,提到了期望价值理论,也就是阿特金森假设。

通过这个假设,我们发现了一个可支撑的结论,那就是期望是有计算公式的。期望价值可以通过成功的动机和避免失败的动机来定义。而一旦可以计算,就必然会有误差,就需要去优化。

阿特金森假设,成就行为取决于成就驱力、成功预期以及诱因价值二个因素。他提出了两种成就动机(Mach):追求成功的动机(Mas)和避免失败的动机(Maf)。阿氏用对特定任务上成功可能性预期(Ps)与失败可能性预期(Pf)来定义预期,并且假定Ps+Pf=l。阿氏还把诱因价值定义为在特定任务成功的相对吸引力,在他的模型中,包括了成功诱因(Is)与失败诱因(If)。阿氏运用这些概念的数学关系来表示成就动机:Math=(Mas X Ps X Is)一(Maf X Pf X If)

阿特金森假设,正和我们需要做的期望管理不谋而合。让期望有好的输出,需要在计算期望价值公式时进行优化。而优化策略就可以通过经验风险最小化算法,从经验中衡量自己所具备的条件,从而调整2个成就动机,最终降低期望误差。

在职场上,为什么期望管理很重要?

那在职场上,期望管理很重要吗?我们有必要引入风险最小化去优化期望价值吗?答案是肯定的。

从真实案例出发,去年的计划落空后,我朋友对自己的职业规划完全就乱了。甚至他会说出索性开始混日子,这样自暴自弃的话语。而这个案例,不仅仅发生在我朋友一个个体之上。就连我自己,如果每次制定工作计划而总是做不到,永远跟期望有误差,我对于工作态度也会消极。

同样,新年计划总是白费,期望最终变失望,并不只是案例而已。以下真实的数据可以证明,大部分人的新年计划,是想得美做不到。

2017年统计学脑研究所(Statistic Brain Research Institutes)的调查表明只有 9.2% 的人宣称自己成功地完成了新年计划,48% 的人认为自己在少数情况下完成了新年计划,而 42% 的人承认自己从未实现过新年愿望。

如果说在生活中期望落空,未必产生直接损失。例如我想要一个小礼物没得到,至少还可以自己去买。但在职场中的期望落空,最终结果可能会是对你职业生涯的打击。

因为职场跟生活不同,生活可以允许自己偶尔放松,但职场上一旦松懈就很难继续冲刺。每年的绩效考核上会给你结果,错了找借口并没有实际价值。

因此,职场上的期望管理很重要。工作计划制定后,我们需要尽可能地想办法去实现。完善制定的计划,优化实现的过程。这两者相辅相成,最终来实现期望,减少期望误差。这样的职场生涯,才能得到良性的循环。

工作中,怎样使用经验风险最小化?

期望价值公式,说明期望可计算。既然可计算,就证明期望是可以人为管理的。期望的人为管理就需要相应的策略,因此才引入经验风险最小化算法。为了优化期望价值公式,减少计算时的期望误差,让自己真正想得美做得到,利用好经验风险最小化算法重要性已一览无遗。

方法论看起来空洞,我们要的是真实应用。那如何在工作中利用经验风险最小化算法?结合职场来学习统计学算法中的两个策略,分别是挖掘假设函数和优化拟合参数。

一、挖掘假设函数

在经验风险最小化算法中,假设函数是根据分类效果来制定。那么工作期望管理中的假设函数,是为了衡量期望误差。挖掘期望假设函数的过程,就是定义期望的过程。

因而,期望管理的假设函数已经找到,就是以上阿特金森假设中的期望风险价值函数:

Math=(Mas X Ps X Is)一(Maf X Pf X If)

Mas是追求成功的动机,Ps是成功可能性,Is是成功诱因。Maf是追求失败的动机,Pf是失败可能性,If是失败诱因。

简单来说,期望最终的结果,与动机、概率,诱因三者计算而成,是成功的期望减去失败的期望。

那么在计算这个公式,使得最终结果符合预期,降低误差的话,需要对这三个参数不断拟合,最终得到优化后的结果。这样的期望管理效果才能达到最佳。

二、优化拟合参数

寻求拟合参数的目的,就是为了使上述假设函数得到最优解。简单而言,目标是在期望价值公式的计算中,使得误差越小越好。同时,假设函数需要拟合的3个参数也已经找到,分别是动机、概率、诱因。那么接下来的优化步骤就变得清晰易懂。

因为在经验风险最小化算法中,边界很难获取。就像在计划中很难立刻看到实际效果,所以我们需要经验数据去拟合。优化拟合参数,指的是通过经验数据去不断训练,最后使得各个参数达到均衡。

工作中也是同理,过往的工作经验并不只是过去,而是宝贵财富。通过自己的经验去不断迭代求值,最后的参数才能符合预期。

那么优化拟合参数其实是求解三个参数,求解过程是浑然一体相互影响的。但为了在使用策略上越发深入,让整个过程更加直观,以下对三个参数进行分开论述。

优化参数1:动机

动机是公式中的关键参数。那动机就是你做这件事的目的,也就是想达成的原因。在工作上,升职加薪就是一个动机。而从工作经验中,建立一个合适的认知很重要。对自己有合适的认知,才能有合适的动机。大的动机其实只是个标杆,想要让期望真正可实现,需要将动机进行拆解和调整。

从我朋友的例子出发,他建立新年目标的动机,是为了从工程师变为高级工程师,那这样的动机是好的。但他却没有拆解动机的步骤,也没有从经验数据中分析动机,对自己缺少了一个正确的认知。从工程师到高级工程师有一个步骤,是需要进行答辩的。

那么,首先他可以将动机改为去参加答辩,然后再针对答辩这个过程进行细分。同时,他要从工作经验数据中,得出自己的认知,我们认识他的都清楚他具备程序员的内向,答辩对他来说并不是一件很容易的事,那么这个动机还需要拆解和调整。

所以,总结一下,优化关键参数动机的过程,其实是两步:1、基于经验数据对自己得到认知,2、在自己认知基础上对动机进行拆解和调整。这两步不断循环迭代,动机就得以优化。

优化参数2:概率

当然,概率总是存在,不管做什么事,一定会具有成功率失败率的这个指标。有些小概率事件是我们无法避免的。

小概率事件是一个事件的发生概率很小,那么它在一次试验中是几乎不可能发生的,但在多次重复试验中是必然发生的。

所以我们不需要去考虑经验中的小概率事件,去怨天尤人,而是要大概率会发生的事。比如去参加高工答辩中,因为天气原因取消,这些小概率事件我们可以先排除。而去更多的自己的表现,这种大概率会决定自己答辩是否成功的因素。至于概率的判断,依旧是通过自己的工作经验来得出,做得越久越好,成功的概率自然也越高。

总结一下,优化概率参数,需要的是更大概率发生的事件。不断提升自己大概率事件上的表现,从而去迭代优化最终的期望。

优化参数3:诱因

最后的参数是诱因,其实诱因主要是环境。在人的成功包括工作中,环境的因素总是不可避免的。

依旧是我朋友没有完成计划的案例,其实也是由于他一直限于一个较为安逸的环境,所以最后他还想要说工作也混一下算了。当这个诱因也就是环境变得残酷的时候,这时候人的动力反而被催发。

但我们不能总是等着环境的改变,而是要让自己改变去适应多变的环境。这个时候依然需要通过自己的工作经验去总结,去多看,去发现,这样才能做出改变。

总结一下,优化参数诱因,指的是不断改变自我去适应环境。

通过以上的两个步骤,挖掘假设参数,优化拟合参数,已经将经验风险最小化算法讲解的十分清晰。我们可以在工作中,利用经验风险最小化算法,将期望管理起来,去减少期望误差。

最后

本文从朋友制定计划出发,提及了想得美做不到的期望误差。为了解决这个问题,引入了统计学中的经验风险最小化算法,进而通过期望价值理论来支撑。

可以发现,经验风险最小化算法可以优化期望价值公式。在工作中利用经验风险最小化算法的2个策略,分别是假设函数和拟合参数,最终降低期望误差,工作形成良性循环。

个人发展中,计划和方向如此重要。

人生重要的不是所站的位置,而是所朝的方向。——李嘉诚

仰望星空,脚踏实地。愿大家能在新的一年中,利用好经验风险最小化算法,职场上想得美也做得到。

本文来自网络,不代表鸣鱼网立场,转载请注明出处:https://www.mingyujixie.net/n/30840.html

作者: 鸣鱼

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

联系我们

联系我们

工作时间:周一至周五,9:00-17:30,节假日休息

关注微信
微信扫一扫关注我们

微信扫一扫关注我们

关注微博
返回顶部