Эта простая эвристика обошла всех экспертов, кроме одного, из десятков, чьи результаты отслеживал Истербрук в сезоне 2007-2008. Почти такого же результата она добилась в сезоне 2008-2009, обойдя всех экспертов, кроме двух. 10 Иногда Истербрук ставил под сомнение выбор, сделанный эвристикой, и заменял его своим собственным. Таким образом, точность прогноза снижалась! Используя эту эвристику, не нужно обладать инсайдерской информацией, тратить время на чтение отчетов и проведение сложных анализов, знать историю соревнующихся команд или даже разбираться в правилах американского футбола. Всю необходимую информацию можно легко найти на любом сайте, публикующем информацию об играх NFL.
Можно попытаться повысить точность дельта-умозаключений, пытаясь найти "оптимальные" дельты (то есть дельты, наилучшим образом соответствующие прошлым данным). В ходе исследования тридцати девяти реальных задач, таких как предсказание того, в какой из двух средних школ будет более высокий процент отсева и какой бриллиант из пары будет продан по более высокой цене, мы обнаружили, что простое установление дельт на 0 было столь же точным, как и использование оптимально подобранных пороговых значений. Эвристика также не уступает сложным моделям, таким как байесовская линейная регрессия. 11
Эвристика равенства
Эвристика одной причины хорошо работает при наличии мощной подсказки. Однако в ситуациях, когда подсказки одинаково информативны, эвристика равенства - лучший выбор. Они интегрируют подсказки простым способом, например, суммируя доводы "за" и "против". Это отличает эвристику равенства от оптимизационных моделей, которые оценивают веса различных причин и учитывают взаимозависимость и взаимодействие между подсказками.
Подсчеты
Подсчеты основаны на основной способности человека считать и сравнивать числа. Это инструмент, используемый для принятия решений о классификации, и он работает так же, как быстрые и экономные деревья, но основан на противоположной логике. Вместо того чтобы упорядочивать подсказки и искать их последовательно, подсчеты рассматривают все подсказки одинаково. Рассмотрим задачу с n бинарными подсказками, где положительное значение подсказки указывает на категорию X, а k (1 < k ≤ n) - порог классификации.
Подсчет: Задайте число k. Если цель имеет k положительных значений подсказки или больше, отнесите ее к категории X; в противном случае - нет.
По сути, подсчет голосов воплощает демократическое голосование среди подсказок. Оно простое и прозрачное и может привести к высокоточным классификациям. Например, исследователи лавин Ян Маккаммон и Паскаль Хегели разработали правило подсчета голосов под названием "метод очевидных подсказок" для оценки лавинной опасности: Ситуация классифицируется как опасная, если присутствует более трех из семи признаков. 12 Эти признаки, такие как наличие лавин за последние сорок восемь часов и наличие жидкой воды на поверхности снега в результате недавнего резкого потепления, были получены в результате многолетних наблюдений и являются показателями лавиноопасности. При сравнении с восемью более сложными методами метод очевидных подсказок показал самый высокий коэффициент предотвращения (т. е. несчастных случаев, которые были бы предотвращены). Еще один пример - модель "Ключи от Белого дома" Аллана Лихтмана, которая предсказывает, какой кандидат победит в народном голосовании на президентских выборах в США. 13 С момента своего первого предсказания в 1984 году эта модель подсчета голосов правильно определила всех победителей, за исключением 2016 года, когда она предсказала, что Дональд Трамп победит в народном голосовании (Трамп выиграл президентское кресло, но не народное голосование).
Взвешивание единиц измерения
Организации часто используют множественную линейную регрессию для прогнозирования значений непрерывной переменной, например, продаж продукта. В этих моделях оцениваются веса признаков, чтобы отразить их относительный вклад. Взвешивание по единицам, напротив, взвешивает все признаки одинаково, чтобы уменьшить ошибку оценки. На первый взгляд, взвешивание единиц кажется хорошим примером компромисса между затратами и точностью: избавляясь от необходимости оценивать веса подсказок, вы получаете более низкую точность суждений. Однако эпохальное исследование психологов Робина Доуса и Бернарда Корригана показало, что это не так. В трех из четырех рассмотренных задач, включая прогнозирование среднего балла студентов колледжа, успехов аспирантов в учебе и психиатрических диагнозов пациентов, взвешивание единиц оказалось более точным, чем множественная линейная регрессия. В свете этого вывода Доус и Корриган заявили, что для правильных суждений "весь фокус в том, чтобы решить, на какие переменные смотреть, а затем знать, как их складывать". 14 Знание точных весов подсказок не имеет большого значения.