之前的文章里，我们一直在谈随机性对于结果产生的影响。那么究竟什么是自然分布？我们会联想到高数里面谈到的正态分布的概念。即，我们随机出的那么多结果，总是会以某种趋势趋近于正态分布的最终结果表达于呈现。
但是这和我们的主题有啥关系呢？如果同样是Random.next 1000组1和0数据做加和，虽然确实也是很随机的，而且随机结果也会大致在480~520之间徘徊，但是当拆开这些结果来看，会发现很多相似性的结构在数据中被识别出来。但是这本身不符合真实情况.
我们现实中的随机结果会遵循正态，但是也有可能因为桌子不平整，手酸等等问题，导致结果会和纯粹的正态分布有一点点微妙的偏差。但是他不会出现过度的相似性。因为在这个过程中万事万物都是熵，甚至包括消息提示音，都会微妙地改变你对于结果地偏向性。但是Random和这个是不同地，因为他是基于计算机地时间来生成地
所以当你尝试去做个实验，我举个例子，你随机4个数字为一组，随机2组。然后像是地占一样，采用相同位则为0，不同位则为1地情况，进行合卦。特别是当你把这个行为用手机来进行表达地时候，就会有几个卦开始高强度地随机出现。那么这个情况就是计算机对于随机结果地干涉与影响性地体现。
那么正态分布就是模拟真实随机的一个过程，我们如果利用一个标准正态地模型，就可以查表找到每一个百分比所对应地x和对应地z值表。我把这个过程称之为反正态修正。虽然这个过程无法做到绝对精准，但是小数点后8个0以后地结果我们还是忽略不计吧。总之我把结果精准到了小数点后8个0，来利用正态分布模型，生成了一个全新地随机结构：反正态随机分布。
在很多qq群的交流中，我都提到了这个问题，有支持地，也有否定地声音，但是不得不说，感谢这些否定地声音让我更加想要了解这个问题背后地真相。部分群友们给予了我很多想法上面的引导和扩展。大致整理了一下，并经过300场球赛的实验数据，得到了一个有意思的结果。
如果我们不限定方法，那么变量就难以估算。但是如果限定了，又会很死。于是为了解决这个问题，我选择用特征图的方案来解决问题。这本来是一个深度学习里面的概念，简单来说，我们把卦拆解为若干模块，通过对其利用不同的算法，不同的套用，以及不同的赛选模板，让其结果特征被一轮一轮地赛选出来。最终我们得到的就是这些特征参数影响下地最终结果，而作为对比组，也就是原随机方案地对照。最终结果上，按照我们之前讨论地逻辑之下所构建地全新地随即体系，在相同方式地赛选中，在限定方法的过程中，以及反正态分布的随机结果中，包括我的眼瞎在内，产生的命中率以7%地优势获得了胜利，而且一个很有意思地现象是，不同于常规逻辑，我们对于某些问题随着问题次数地增多，总是会有出现好牌地情况，这个问题少了不少。也许你会觉得这是偶然，好吧，让我们再升级一步，上【深度学习】大杀器。
利用深度学习，我训练了一个900个权重节点地模型，并把最近2年内地比赛结果投喂了进去。虽然效果没有我预期地理想，因为我的电脑不堪重负宕机了。但是在硬盘修复地过程中我找到了这次训练地圣遗物，也就是崩溃前地最后一次循环完成时候保存地数据。虽然我知道这个数据他一定不会是最理想地值，但是我还是跑了起来。结果出乎我的预料，通过对于结果进行一定处理，球赛命中率从原本我前20个版本的76%，直接提升了10%左右，也就是86%。可能你会觉得这没什么，但是一般你就算是mace以后的结果，加上你的个人误判因素，也会维持在大约75%左右的这个值，但是机器学习直接干上了86%！
这是什么概念，如果这次学习完成，或者如果我增加足够多的案例和节点，那么我会得到的是一个多么恐怖如斯的算法结构？虽然无法确定目前的数据是否是由于样本过少导致的误差，还是一个临时性假象，还是暂时静待服务器跑完新数据吧~
No responses yet