工具-用度量取代模糊判斷

🎯 什麼情境該想到我

當你想比較「兩個東西像不像、有沒有關係」，卻只能憑感覺說「應該有關」，缺乏客觀標準的時候。作者反覆示範：把模糊的「相關/相似/重要」變成一個可計算的度量。

⚙️ 怎麼用（把形容詞變成數字）

1. 先承認「有關係」太模糊：「A 和 B 有關係」不科學，要問「相關性到底有多大」，才能拿來排序、分類、決策。
2. 選一個合適的度量把它算出來，本書的三個範例：
   • 相關性 → 互資訊：I(X;Y) = H(X) − H(X|Y)，即「知道 Y 後，對 X 消除的不確定性」；只要有資料就好算，值越大越相關（0＝無關）。
   • 相似性 → 餘弦定理：把物件表示成特徵向量，用夾角餘弦衡量兩者方向有多接近（新聞分類就這麼做）。
   • 重要性 → TF-IDF：用詞頻 × 逆文件頻率度量一個關鍵詞對一篇文件有多重要。
3. 用數字做決策：有了可比較的度量，「哪個更相關/更相似/更重要」就從爭論變成排序，能自動化、能複現。

註：站內沒有《數學之美》的原書檔。以下補充的公式與數字都可以自己推導或重算（計算以 Python 驗證，2026-09-25），不引用原書頁碼。

★ 走一遍：用 TF-IDF + 餘弦判斷三篇文件的相似度

三篇極短的「文件」：

1. go channel goroutine channel
2. go goroutine scheduler
3. kafka consumer partition consumer

TF-IDF：TF = 詞在這篇出現的比例；IDF = $\ln (N/\text{出現該詞的文件數})$。算出來（N = 3）：

文件	權重
1	channel 0.549、go 0.101、goroutine 0.101
2	scheduler 0.366、go 0.135、goroutine 0.135
3	consumer 0.549、kafka 0.275、partition 0.275

觀察：go 出現在兩篇文件中，IDF 較低，所以權重小；channel 只出現在一篇、而且出現兩次，權重最高——越稀有、越集中的詞越能代表這篇文件。

餘弦相似度（向量夾角的 cos，1 = 方向相同、0 = 完全無關）：

	相似度
文件 1 vs 2	0.117（共享 go、goroutine）
文件 1 vs 3	0.000
文件 2 vs 3	0.000

「這兩篇好像都在講 Go」這個模糊判斷，變成了一個可以排序、可以設門檻的數字。

★ 互資訊：「有多相關」的精確定義

$I(X;Y)=H(X)-H(X|Y)$

讀法：知道 Y 之後，X 的不確定性少了多少。0 = 完全無關；等於 $H(X)$ = 知道 Y 就完全知道 X。

它比相關係數更通用：相關係數只抓線性關係，互資訊能抓任何形式的依賴。例子見 工具-用資訊消除不確定性 的除錯實驗（一個測試對「bug 在哪裡」的互資訊約 0.40 位元）。

★ 工程上的同一個動作：把「感覺」變成指標

模糊的說法	可計算的度量
「這個服務最近好像變慢了」	p50／p95／p99 延遲的時間序列
「這兩個錯誤應該有關」	兩者同時出現的條件機率、或時間上的相關性
「這段程式碼很複雜」	圈複雜度、認知複雜度（見 工具-管理複雜度）
「這個搜尋結果不太準」	評估集上的 precision／recall／NDCG

🧪 我實際套用的紀錄

• 2026-07-24：（待填）

⚠️ 注意 / 什麼時候不適用

• 度量的好壞取決於「特徵選得對不對」；量化不是萬能，選錯特徵，再精密的公式也沒意義（先想清楚要度量什麼）。

• 度量會被最佳化：一旦把某個度量當成目標，人（或模型）就會去最佳化度量本身，而不是它原本代表的東西（見 誘因扭曲）。TF-IDF 就曾被網頁作者用關鍵字堆砌來操縱。

🔗 相關工具

• 工具-用資訊消除不確定性 —— 理論基礎，度量之所以有效是因為它在消除不確定性
• 工具-找對數學模型 —— 前一步，度量之前要先選對模型，否則量的是錯的東西