早上看到有人轉PTT，說看輕小說對小孩好不好，然後朋友說這跟讀書習慣有關...總之很多意見。我想講的是別的，那就是從這些人的回應，以及留言與討論中，可以發現什麼？
嗯，就階級啊 XD
我下面提的東西，請讀者先記得，全部都是「統計」，不是個案。請不要拿「我家就不是這樣」來講，畢竟再怎樣，扣掉看過的資料，我個人碰到的學生案例就是千個以上，跟我講個案可以打破通則，這個..............
很長，嫌煩的可以不要看。
總之，讀書習慣最好什麼時候開始養成？理論上越早越好，從3歲開始都可以，拿童書講給他聽，越早認識注音，可以自己讀注音書最好，認識的字越多，越可以早點看其他書籍。
我個人的看法是，差不多超過小學中年級，大概10歲以後，很多習慣就會定型。這個時間點不敢說百分百，但看到的跟與學生抬槓的結果，多數有讀書習慣的人，幾乎都是小學低年級前就有看書的習慣。
或者說，擁有「看長文不會覺得煩的能力」。
千萬不要以為這很簡單可以練，研習遇過很多小學老師，要學生從看短文到長篇，練習短文(100字)到長文(600字)，橫跨3-5年。國中多的是從國一開始練到國三，才有一些成果的。
唯一可以確定的是，越早越好，各種習慣越晚就越難養成，尤其是透過文字吸收資訊的能力。
而這些能力，與父母親的行為「高度相關」，所以統計結果可以表現出，學生的成績與父母親的學歷是唯一完全正相關的因素。但這個更深入研究，其實關聯的是「職業」，只是在台灣通常你的學歷與職業有高度相關，在歐美等地區，關聯性相對沒那麼高。
職業為何有關？嗯，為什麼教師的小孩，成績通常都「不會差」？說頂尖是不見得，但極少見到中小學老師的兒女，成績落到後段班，甚至需要補救教學。更實際的說，教師這個階級的子女，表現表現會比其他職業要好很多很多。
你不覺得奇怪，是因為你會想像，小孩回家問問題，爸媽就是老師，可以教可以帶，等於免費補習教育。但實際上真是這樣？
還真的是。XD
不過把職業放大，公務員子女的表現就也不差，甚至軍官的小孩也不大會，中產白領的...好像也還好。這究竟怎麼回事？
很簡單，小孩放學後，沒人盯著幾乎可以肯定都在玩，頂多作業寫寫交差(很少)，但若父母親在旁邊，盯著培養其讀書習慣，那麼小孩會在各方面會比較優秀。大致上可以把這種對學習、學業有幫助的能力，可以區分為下面三項
1. 定下心的能力。可以坐在那看文字、知識性的書超過一小時不動，絕大部分沒有訓練過的小孩都做不到，這幾乎都是從小看書看習慣的結果。
2. 閱讀長文的能力。這跟定心不一樣，寫數學全部都是數字，也可以寫一小時的人，看到國文10分鐘後就躺平的例子不少。重點是，怎樣閱讀超過數百字的文章，還能擷取重點。一樣，沒有從小練，幾乎都做不到。
3. 表達自己想法的能力。就是像我一樣每次都可以鬼扯幾千字，同樣要訓練，透過寫作可以整理與表達自己的想法，還是沒從小練就不行。
這邊說的練習，不是只有學校練，而是家長在家耳濡目染的結果，像是爸媽回家都在看書，上網看的都是一堆密密麻麻文字的東西，小孩較會有興趣一起學。而小孩越小，會遇到越多挫折，字看不懂、文章讀不懂、抓不到書本在講什麼，都是常態。而父母親擁有越高的學歷，比例上也較能指點出，家裡寶貝不會在哪，而且有一個最關鍵的因素：
「耐心」
多數在台灣拿到高學歷的家長，都歷經十多年痛苦的學習，至少有一定的耐性，比例上可以理解小孩課業苦痛。所以遇到小朋友提出問題，跟勞工家長相比，較願意花時間慢慢解釋清楚，就我在學校的觀察，學生表達家裡的相處狀況，會教功課、解題目、一起讀書的比例，大學以上跟高中職以下的家長，相差幾乎是10倍!!研究所跟大學比，也接近2倍以上。
為何我們有一種，有錢人好像都可以花錢補習補到好的錯覺？我可以跟你說，真的是錯覺，補習班是在這條學習道路上，幫你上「讀書經驗值buff 10%」的補師，真正讓你擁有超強技能，可以一路打怪到魔王的關鍵，往往是在新手村的「父母」，在你出去前就教了多少。
一個回到家，爸媽還在工廠沒回來的家庭，與另一個總是會有爸媽其中一人，陪你寫功課的家庭相比，膝蓋想也知道哪一種家庭的表現會較好。
故為何教師子女在各種白領階級中，又特別有優勢？啊不就廢話，基本上我沒見過，理工科老師的兒子考自然科會不及格，國文科老師的女兒作文都寫不好。偶而見到一個自然科老師的小孩，學校考個70 分，老爸在那煩惱，而這已經是真的天分差到很....的程度(怪上帝吧)。
哪個老師會放自己家小孩，成績一蹋糊塗卻對他說「孩子您自由吧，爸媽不在乎的。」別鬧了，全台灣為何一兩年會有這種新聞出現一次？就是因為這算「新聞」啊，大哥大姊們，這不是常態。
即便如此，我也遇過一些學長姐，小孩從小栽培，結果還是考到私立大學，氣死。但氣歸氣，私下聊聊也知道，今天若他父母親不是教師，而是一般的勞工家庭，這種砸下無數金錢心力也才私大中段的素質，會去幹嘛？
大家都很清楚，十個裡面八個都會變成PTT嘲笑的8+9，而這些小朋友能從這個底層翻身的機率，大概也是十個裡面沒有一個。其他人就是一輩子這樣，在勞工階層一生，多年後說著跟父母親一樣的話，不要自己小孩也那麼辛苦。
所以，這邊還要提一個更殘酷的事實，幾乎所有頂尖公立國中，附近學區都是中產階級的中上層？
因為，這些家庭的財務狀況，都完全可以支持，家裡只有一個人工作，另一個在家顧小孩。當一個學生回到家，就有一個高學歷的父母親(通常是媽媽)在家，馬上會幫你規劃寫作業進度、考試進度，不會的問題立刻都能得到解答。這形同你花錢請一個頂大學生全年無休在家家教。
這跟一個沒有這種待遇的家庭相比，會佔有多大優勢？別再怪補習班了，這些學區的補習班老師都超拚，一堆班主任都在過著隨時胃穿孔的日子。你把同樣的狀況拉去全校第十名考70分的學校看看，附近安親班光是可以把學生押著作業寫完，就是功德一件。
這引申出的概念就是：只有資源夠多的家庭，才能夠提供長時間的陪伴。真正讓你家小孩可以成長，成為一個有知識跟智慧處理問題的人，最重要的因素叫做：
「紀律」(原本是秩序，網友表示依照文意紀律較好，特此更正)
就跟大家都知道，培養良好運動習慣，身體才會好一樣。讀書學習也是，你沒有養成良好的讀書習慣，訓練出強大的意志力，可以排除其他誘惑，專注在學習上。
怎麼可能會好？
#別再拿阿扁當例子了啦
#100年出現沒幾個的不能當規則
======
講這麼多，我想說的是，為何很多進步左派講教育，會講到讓人吐血。學校老師哪幾個是右派？幾乎都偏向社會主義，不然不會有人自願留下，免費幫弱勢學生做課後補救。每次有一些弱勢學生出狀況，光校內募款，隨便都可以募到幾十萬，這還不包括申請的項目。
如果學校老師，一點都不進步，充滿保守封建思想，那麼應該是自掃門前雪，怎麼會去管你家小孩死活？我是不否認有這種人，但多數學校教師都不是，其思維都相當接近社會主義。
因為看多了，不需要書呆子講經，生活經驗遇到的案例就比你田野調查多好幾倍。階級複製在學校是極端血淋淋又殘酷的，像我這種市區到郊區都待過的，更是看到心都要冷，不然無法解決問題。
提供無限教育資源，大學免學費，這些對資源匱乏的學生來說，其實幫助真的很小很小。免學費這些對誰幫助最大？大概是中產階級的中下層，因為這是錦上添花，可以多一筆錢去補習，或是讓爸媽其中一人，辭職在家顧小孩功課。但對勞工家庭來說，上大學的最大目的是脫離階級複製，讓小孩可以翻到中上層，光這筆免學費，完全不足以打破新手村劣勢。
很多人會講說大學免學費很棒，但我可以肯定免費幫助極小，為何？我剛剛講了一大串，各位都沒發現？
念書不要念到呆，美國教育理論在台灣不適用，反倒是透過強迫義務教育，以及幾乎可說全世界最頂尖的教育師資素質(台灣的教師學歷平均極高)，公立學校現在要再提升水準，只有小班制跟雇用更多教師。
美國有些人陷入階級複製的循環，免費上大學恐怕是推手之一，與初衷相差甚遠。我們卻看到不少人拿著美國的案例，想要台灣照辦，簡直瘋狂。
為何？不管世界何處，想要爬上中產階級，就是要取得一定的專業能力。你砸錢去大學，到底學了什麼？如果沒有學到生活技能，盡是學習各種平權概念、反歧視理想、歷史修正主義的東西，這到底可以促進社會進步什麼？你的目標是小孩進入監督這家公司有沒執行正義的單位？
「啊這不就是政委」
別在鬼扯蛋什麼這是反人文科系，你在一家製造業工廠內，強迫安插20%的反歧視監督執行職位，最後會怎樣？這個社會哪種職業比較多，需求比較大，去統計就知道，不需要砌詞詭辯。
對於藍領勞工，社會最底層的人來說，家庭崩壞恐怕是最先出現的問題，單親、家暴等等的小孩，從小就取得不到我上段說的教育資源，他沒有父母在家教育，細心指導各種學習問題。在比例上，會從這種貧困循環中跳出的，本就是資質極高的少部分，其他多數人就是陷入讀書也讀不好，工作也找不好，負面循環變成父母，繼續單親跟家暴。
而那些僥倖逃出底層的資賦優異者，其中有一大半更慘，因為他們從小就沒有家庭溫暖，所以導致自己「不相信有家庭溫暖」這種事。多數轉為相信，家庭功能可以透過政府介入取代，「反正自己的經驗就是沒爹沒娘也無所謂」。
這很糟糕，我們的案例中，會落到這種循環的比例真的很低，多數家庭都有溫暖，溫度或許有所不同，極少見到家長對子女未來漠不關心，大部分只是關心的方式不大相同罷了。而這些人又特別會放大少數的悲哀，為了達到解放所有人的目的，他們採取的手段就是：
「摧毀既有秩序」
這真的是在開玩笑，學生畢業後，多數想要的就只是平淡的生活，平淡的幸福。大多數人不要求澎湃的人生，激烈的變化，而你的改變是摧毀一切舊有的組織，選擇政府全方面介入？只因為你覺得幾個個案的幸福必須不計一切代價保障，自己的經歷代表全台灣所有家庭都沒溫暖？
拿個案來講我們更熟，每年學校多少個案要處理，但有累積到變成通則嗎？就是沒有，所以才是每年零星個案。
要拯救這些底層奈落的循環，砸錢補貼免費讀大學，或是UBI之類的恐怕是最糟糕的做法。這些人都沒有考慮到社會觀感，處在這種階級的人，非常在意社會眼光，除非你把社會解構到完全原子化，不然不考慮社會連結的提案，肯定失敗。
以我們的角度來看，教他們取得技術能力，擁有在職場上求生的能力，建築一個平凡的家庭，構築一般的人際關係，對他們來說就是最大的幸福。你不可能每個人都念台大，所有人都當台GG工程師，這永遠不可能。
結果，你們想複製美國的另一種循環，希望給這些人免費上大學，還有人覺得要塞進去一大堆進步教條給他們？別害人好不好。
那些都是資源不夠就做不到的，這些身在底層向上爬的努力學生，絕大多數都不會達成咖啡廳菁英的希望，大步邁向進步的一方，而幾乎都會轉頭擁抱傳統，竭力找回他們小時候最欠缺的家庭溫暖。
然後希望，自己孩子永遠不要失去這些東西。
人工智慧工程師ptt 在 Re: [請益] 想從零開始轉行當AI軟體工程師- 看板Soft_Job 的推薦與評價
來用自己的例子勸退一些想跳機器學習的人
首先是數學程度，
我是數學系的，什麼線代，微積分，機率，統計的都很熟其實工作也會用到，
描述一些比較有印象的工作用過的數學，
比較有趣關於微積分的經驗:
老闆把問題用一個式子 exp(-rx)*((1/delta)*sqrt(A))*exp(-x^2/(A))來解釋，
並要對x積整個實數範圍。
在場大家都面面相覷我就被要求積了。
但這其實不難積，就高斯積分，有背整理一下秒解，
沒背也不難推。我大學微積分沒在背的所以是當場直接推，然後才繼續那場會議。
機率統計就那些常見的像是:
在一堆數據中給一些想法假設然後檢定，
或是想辦法對一直變動pattern的資料去建對應的機率模型。
但我具體數學程度到哪，舉兩個例子一個是深度學習WGAN一個是經典的random forest。
https://arxiv.org/pdf/1701.07875.pdf 這是WGAN。
https://link.springer.com/article/10.1023/A:1010933404324 這是RF。
基本上裡面的純數推導我幾乎都理解，
WGAN用到實分析跟線性規劃，
RF則是機率。
以上大概描述一下我的數學程度。
接著是我的電腦技能，
我熟悉的語言有C++跟PYTHON，基本上各有兩年以上的工作實務經驗。
python就絕大部份公司機器學習用的語言不解釋。
C++曾被公司要求所有演算法都要自己刻，這之中還包刮神經網路，
連 backpropagation 都要自己刻，
然後資料結構演算法，計算機組織，作業系統都讀過。
至於程度到哪我也不好說，我自知去參加程式比賽會被電死，但基本程度應該是有。
資料結構的程度至少是在刷題的時候不會卡在"天啊這個是什麼資料結構"，
跟曾經在工作被要求刻了一個紅黑樹，雖然我現在忘了而且skip list太好用。
演算法就刷題的時候不會無止境一直設條件，
會嘗試用一些演算法想法比如 divide and conquer or dp 來解題。
計組作業系統就是那些什麼cpu pipeline 記憶體管理緩存設計都懂。
資料庫則是公司用什麼我就學什麼。
機器學習的部分就是幾乎現在大家喊得出名字的我都可以實作，
有要證明的模型我都可以證明，不過需要回憶準備一下哈哈因為模型太多沒全記。
大致用書來表示一下我懂得大概範圍好了。
https://www.deeplearningbook.org/
deep learning 的經典不解釋。
https://www.cs.cmu.edu/~tom/mlbook.html
machine learning 也算經典但很老的一本了。
https://www.tenlong.com.tw/products/9787302275954
各種經典的機器學習模型的推導書，雖然這個作者幾乎只是翻譯論文，但翻的還滿好的。
新技術太多我就不提了我都有在追。
以上大致描述一下我的程度，目前的結果是我近半年完全找不到工作XD
不管國內國外，丟履歷都沒回覆，基本上連面試機會都沒有。
搞得現在只能送foodpanda，
真的是能力不足阿...
希望這慘痛的經歷能拯救還想再跳AI的人阿。
==================================================
發現太多人執著實作的部分，其實要求手刻的只有一家公司，雖然我也在那邊做很久
除了那間公司其他的我也是用包啦，Tensorflow，cntk 之類的都會用。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 223.137.88.3 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1636524507.A.D68.html
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 14:12:47
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 14:23:19
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 14:31:53
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 14:42:43
改丟國內的國內也都沒回覆，慘
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 14:54:17
爛的資料神經網路無法處理因為神經網路是強逼近，就垃圾進垃圾出
但數學反倒可以找到很好的方向，
比如說我處理過那種雜訊很多就算了，哪些是雜訊還都不知道的數據。
方法就把資料換個方便我弄成隨機過程的樣子，
然後抽特徵的時候隨機，根據大數法則我可以期待他會逼近一個我要的值，
且也可以淡化雜訊的影響畢竟是隨機取，最終效果很好這樣
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 15:16:24
我只是想表示這麼基本的東西我都有公司也是不要阿
真的要說的話不然你試著準備一下那個WGAN的中為什麼Wasserstein比原本的GAN的cost function 還要好的證明然後試試?
最好還要問李航那本書沒有的，像是PCA為什麼是用特徵值，還有上面說的RF為什麼可行
L1 L2 為什麼會有那些效果怎麼用數學分析，BLABLABLA的
哀我真的只是想勸退還想進AI的人啦
這個東西真的水很深而且缺很少啦
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 17:34:07
不過主要是我都把時間拿來唸書了。
我沒在經營github，我是不知道自己的讀書心得丟那有沒有用，
我應徵時到是有附一些讀書的筆記，
像是上面提到的GAN的一些東西，為什麼強大，為什麼難訓練，WGAN為什麼強大，
能怎麼修正的一些整理都一起寄過去，展現我不是嘴巴說說有在讀書，是真的有在讀深入的
且工作上工也有用到，但一樣沒用哈哈哈哈
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 18:04:21
所以我才真心建議不要再跳進AI了，沒想像地這麼美好
本職學能持續精進，有需要再碰就好了。
其實我在找工作，現在大部分的缺都是傾向:他們方法有了。
機器學習工程師就是架構一個data pipeline，然後建模型訓練，接著實際應用。
最終就是要自動化。實際有關機器學習的問題去跟公司的data scientist 討論即可，本質?
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 18:11:18
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 18:13:02
kaggle還要考慮我手邊的的裝備，所以能做的題目大概也都是那些普通的題目
最主要的問題就是我學經歷不夠，所以我相信現在有想跳AI的一定都是一樣的狀態
所以這篇的重點一直都是:拜託，別在專門跳機器學習的領域，好好點高自己的技能比較實?
而不是討論我為什麼沒工作沒面試阿。一直討論我為什麼沒工作不是很好笑嗎= =
現在就是僧多粥少，不只如此，那些還不是僧只是剃光頭阿。
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 18:56:44
不過撇開這個，我是有考慮分析不少事情。
而結論是:
那個時間成本不如拿去刷題，從SDE的路進公司，在從公司內部轉比較有機會。
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 19:02:56
其實我不強啦哈哈我不是四大數學系的哈哈，我只是愛讀書而已。
其實專案量化成績是有啦，但我不知道是不是命運使然還是怎樣。
我舉的這個例子，是我進公司之前他們搞了快兩年都沒結果，因為一直在用傳統的CNN做
真的是各種花俏CNN，連deepfake都被拿來用
但我進去觀察一下資料就覺得不適合，所以花了很多時間在搞數學方法
然後撇開新創有的沒的雜事和動不動就換目標，七八個月後也是不容易地搞出來了。
然後老闆很高興地拿去做了一些事，後續的一些計畫也開始在動時，老闆走了...
結果業務端好像都是老闆在搞，老闆一去世公司就炸掉了。
所以這個就沒下文啦，後續是有人私底下要跟我買，我覺得麻煩也不道義就沒賣了。
但我其實不想講太細節就是因為這看起來超像嘴砲，所以想著重在方法跟技術知識面而已
不過就算被當嘴砲也沒差反正人生是我自己的哈哈
所以我比較願意刷題而起也滿享受的。但請注意我知道這之中的差異，
KAGGLE"可能"會讓我"多一點"面試的機會，而刷題會讓我現階段往SDE的方向走。
我刷題是為了增強自己的能力，而不是為了"機器學習相關工作的面試"
不過話說回來我真的覺得太聚焦我的狀況了
直接說我目前的打算，我還想工作只是為了存點應急錢去唸博士，
現在應該就是不會在嘗試存應急錢直接去唸博士，我也確定我愛研究，
我直覺判斷我讀博時intern應該會好找，應該啦。
所以大家別在聚焦在這個啦哈哈哈
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 22:11:49
當時我處理的影像超稀疏的。gan難train是在那個模型非常
容易被一個函數分開，也就是可以找到完美的discriminato
r，這是這兩個機率support的問題，而且條件還不用是這兩
個support不相交，只要幾乎處處不相交就可以，這個至少廣
大的實驗告訴我們非常容易發生。所以本質上只要是那個co
st function，初始值不好不管做甚麼調整丟什麼模型進去都
會遇到這個問題。然後可能是我的處理的影像真的太稀疏，
應該是可以理解成這個pattern的support超小，基本上根本
train不起來。所以我那時的想法是就是想要一個理論上直接
可行的結果。這樣我不用把模型弄得巨爆幹複雜，設計一堆
有的沒的只為了能先train，與其想辦法各種嘗試引導訓練，
抽象地說就是想辦法找一個先驗讓兩個pattern的support能
重合。不如直接一個理論可行的再去處理wgan模型的問題,因
為比較具體有方向。順便說之前的別組也是各種花式加self
-attention在decoder和encoder中也是沒用，至於原因因為
不是我做的我沒去也不想去深思，或許也可以就是~可能有錯
，多包涵啦。
※ 編輯: stmilk (223.137.88.3 臺灣), 11/11/2021 01:46:54
※ 編輯: stmilk (223.137.88.3 臺灣), 11/11/2021 01:56:19
我稍微想到可能比較有創意(?)你可以嘗試的方法。
從sample的特徵下手，而且我會傾向不用up sample因為我不喜歡人工數據XD。
雜訊很多的情況就上面有提到，從sample中隨機取特徵，然後創個新sample。
但因為我的問題是哪些是雜訊也不知道，
所以這樣的好處是資料都是是自然環境產生的，
我不用去考慮這樣取是不是會有bias，反正隨機數拉高一定會逼近我要的樣子。
注意如果特徵彼此之間獨立性高，這樣做會有問題，
依我的經驗我還想不到哪些可能的題目可以用這個XD
然後是特徵少且彼此獨立性高且樣本數也很少的話，
這種的就麻煩因為你的資訊本來就少，大概只能用加雜訊的方式去up sample了，
然後是特徵少且獨立性高然後樣本高，那這樣我會採down sample，
我現在直觀想到就 greedy 地去做。
先根據你的問題，觀察哪個特徵最重要(簡單的方法就隨機森林)，
從這個特徵來看聚的狀況，但注意這個聚集狀況可以用不同的方式來定義，
就是用不一樣的距離公式來嘗試，
把這個群體中sample數偏高的類別刪掉一些，
基本假設就是因為這個特徵影響大，
那又特別多的sample聚集在一起的東西可能影響會太大有bias
同樣地你可以反過來從不重要的特徵下手去砍，這樣對整個資料的影響會最小
然後反過來特徵多且獨立性高樣本數多，因為這種狀況可能會有為度災難的可能
所以會特徵一起砍
觀察不重要的特徵的聚的狀況，
直接砍掉這個特徵，並砍掉不平衡的那個地方，然後一直持續到樣本平衡
特徵多且獨立性高樣本少，其實會發現樣本少就是麻煩，
所以我一樣會砍最沒影響往上的特徵，然後觀察從最重要往下的特徵的群，
去砍裏面不平衡的那方
不過樣本數少可能會有問題，我應該還是傾向up sample就是
然後我現在想的到的終極狀況之一是特徵沒有特別的群聚現象，
因為這個太抽象可能個別問題有不同的方法XD
在目前抽象的假設下我只能建議加雜訊 up sample
或是隨機去 down sample
以上你參考一下，但畢竟我不知道你做的題目，
所以我盡量先考慮比較一般只考慮抽象特徵的情況了
但對某些特定題目不一定可行你要小心使用哈哈
最後我上面除了雜訊那個都假設獨立性高，這個可以很簡單地用PCA達成，
所以如果你想要維持原本的特徵，不用獨立性高的假設其實應該差別也不大
對不起我昨天其實滿累得沒注意到你應該就是問樣本數很少還稀疏的情況，
樣本數少的時候方法想得很混。
如果樣本數少，並假設超級極端狀況99%比1%。
一樣觀察特徵附近(注意這個"附近"一樣是根據你的距離定義，根據不同問題是用的距離定義)，
因為資訊實在太少，基本只能假設這個樣本附近可能會有同樣的標注。
所以從附近去生成樣本，
如果這個某個標注還在另外一個標注的某個聚落附近，你也可以考慮降低這個聚落的影響，
就是在這個聚落去砍掉多數的樣本。
其實概念上都差不多，就是根據你的問題，看有沒有某些前提資訊可用，然後去resample。
根據你的問題，這個特徵的選法就不同，探討聚落的方式也不同(像是KNN，T-SNE)。
若是你用的是隨機森林的方法，你甚至可以考慮把這個算法啟發化。
其他的方式想啟發化也不是不行，但是就是沒有tree model這麼乾淨俐落就是
以上就是我目前想的到的處理方法哈哈
※ 編輯: stmilk (223.137.88.3 臺灣), 11/11/2021 21:46:44
※ 編輯: stmilk (223.137.88.3 臺灣), 11/11/2021 21:58:18
※ 編輯: stmilk (223.137.88.3 臺灣), 11/12/2021 12:27:45
... <看更多>
相關內容