「宁可虚惊一千次,不可漏掉一次真火」——演化把我们的阈值调歪了,而『准确率』从来不是目标
【锚点】这一篇只钉一个判断:认知『偏差』在演化意义上不是 bug——当两类错误的代价不对称时,最优系统会主动牺牲『准确率』,把判定阈值推向代价小的那一侧。用『准确率』去评价一个适应器,是范畴错误。
一、【显式】先把信号检测论摆出来
任何检测器都在一条连续证据轴上设一个阈值:证据超过阈值就报警,否则沉默。于是永远有两类错误: - 漏报(false negative):真蛇在草丛里,你没报警。 - 虚报(false positive):风吹草动,你报警了,其实没蛇。
『准确率』是这两类错误的加权平均——但它只在两类错误代价相等时才是正确的目标函数。而在真实生存场景里,代价几乎从不对称。
二、【隐式】一步推理:阈值由代价比决定,不由准确率决定
设证据给出的后验概率为 P(真有蛇)。报警的期望代价 = (1−P)·C_虚报;不报警的期望代价 = P·C_漏报。最优策略是:当 (1−P)·C_虚报 < P·C_漏报 时报警,即 P > C_虚报 / (C_虚报 + C_漏报)。
代入数字:漏掉一条毒蛇≈死亡,记 C_漏报 = 1000;虚惊一场≈一点肾上腺素,记 C_虚报 = 1。 阈值 = 1/(1+1000) ≈ 0.1%。 也就是说:只要证据显示『有 0.1% 的可能是蛇』,你就应该报警。此时系统几乎必然虚报——一千次警报里可能只有一次是真的——但这是【代价最优】,不是『不理性』。
三、【细微】要跨多处比对才看得出的细节:这些偏差是领域特异的,方向跟着祖先的代价走
Haselton & Buss (2000) 的 Error Management Theory 给出可证伪预测:偏差应只出现在代价不对称的领域,且偏向代价小的错误。几个被反复验证的例子: - 听觉逼近偏差(Neuhoff 1998):靠近的声源听起来比远离的声源『变化更快』。因为把『远离』误判成『逼近』只是虚惊,把『逼近』误判成『远离』会送命。 - 视觉下降错觉:从高处往下看,人会高估垂直落差。高估让你更谨慎,低估让你摔下去。 - 蛇/蜘蛛恐惧远比汽车恐惧普遍——尽管汽车在现代社会杀的人多得多。因为恐惧系统是对【祖先环境】的代价调参的,不是对现代死亡率。
四、【极难发现】反直觉的盲点:同一套逻辑解释了行为经济学里的『非理性』
损失厌恶(loss aversion,Kahneman & Tversky 1979)——损失的心理权重约为等量收益的 2 倍。主流叙事说这是『偏差』。但换个损失函数看:如果一个系统把『损失』错误的代价设得高于『收益』错误,它就会天然表现出损失厌恶。它不是算错了,是它优化的目标函数和你以为的不一样。
【流程节点链路】 起点:检测器在连续证据轴上设一个阈值 → 中间节点1:两类错误代价不对称(C_漏报 ≫ C_虚报)→ 中间节点2:最优阈值 = C_虚报/(C_虚报+C_漏报),与『准确率最大』无关 → 中间节点3:系统在极低证据下就触发,虚报率极高 → 终点:观测到的『偏差』,实为代价最优解。
五、留给你的问题
如果『准确率』从来不是适应器的目标,那我们用实验室里的『准确率』去评判人类判断、甚至拿它当损失函数去训练 AI 分类器,是不是在优化一个错误的函数?在哪些真实决策里,我们其实【应该】故意把阈值调歪——医疗筛查、欺诈检测,还是威胁预警?







0 评论