同じ問題に複数のモデルを同時に適用する

異なる分野からのモデルが同じ答えを指し示すとき、確信は高まります。それらが矛盾するとき、あなたは重要な何かを学びます。

Why it works

単一のモデルは自分自身の領域内では成果をよく予測しますが、その領域の外に適用されると誤った自信を生み出します。同じ問題に対して構造的に異なる複数のモデルを実行することは、自然なアンサンブルを作り出します——それらが収束するところでは、シグナルはより強くなり、それらが乖離するところでは、その乖離が単一のモデルだけでは捉えられない問題の特徴を明らかにします。

How to do it

1. 取り組んでいる決断や問題を選ぶ。
2. 異なる分野からの少なくとも三つのモデルを適用する——インセンティブに基づくもの一つ、心理学的なもの一つ、システムに基づくもの一つ。
3. それぞれのモデルの予測と、それが割り当てる確信の度合いを書き留める。
4. 比較する——それらが一致するところでは、より高い確信を持って進める。それらが一致しないところでは、決断する前にその不一致を調べる。

エビデンス

統計学と機械学習におけるアンサンブル手法は、多様な誤りのパターンを平均化することで、単一モデルの予測を一貫して上回ります。同じ論理をメンタルモデルに適用したものが、Mungerのラティスワークの核心です——メカニズム的に健全で、実践者によって確立されています。 (mechanistic)

統計的なアンサンブル研究は正式な学問分野です。言語的推論におけるその類似は妥当ですが、適用されるモデルの質と多様性に依存しており、それを検証するのは困難です。

よくある間違い

モデルを同時にではなく順番に使ってしまうこと（「モデルAを適用して、それからモデルBを」）——直接比較したときにだけ現れる矛盾や収束を見逃してしまいます。