“思考再思考，然后采取行動”，這樣的流程是不是聽起來很熟悉？大多數人都是這樣做的。

然而，這個思考流程很可能是一把雙刃劍：在一些情形下，結果可能積極有用，但在另一些情形下，結果可能有害，甚至反噬自身。后者是我們都希望避免的。為了清晰了解情緒的劃分，我編寫了這個機器學習（ML）程序。

隔離階段讓我有機會探索自我并審視自己的思路。我不是一個沉思者，但是總會陷入紛亂的思緒之中，每當這時，我都需要理清思路。因此我要創建一個可以分析我的思考過程的ML模型。我用KNN算法判斷應該避免的情緒，并通過可視化技術將我的情緒以圖形展示，使我清晰地一覽全貌。下面是我的做法：

作為開始，我創建了一個有不同想法的數據集;

使用KNN算法;

使用可視化技術;

最后，我學會了分割思考過程。

創建數據集

數據集由九種情緒（特征）組成：沮喪，悲傷，卑微，哭泣，痛苦，困惑，快樂，振奮和堅定。我將它們分為三類（標簽）：積極，消極和中立。另外，我根據標簽對這九種情緒/特征均按1-10的標準進行了評分。于是我創建了共150個案例。這是數據集的前幾行：

使用KNN算法

在開始下一步之前，首先需要掌握一些監督式學習的ML基本術語：

為了訓練、測試和評估一個模型，我們使用一系列案例;

這些案例包括與模型相關的特征和標簽值;

特征是用于訓練算法的基礎值;

一旦訓練部分結束，算法就能預測測試特征的正確標簽值。

目標是正確預測標簽。因此，受訓算法的精度應該很高。如果不高，應使預測的標簽值和原本標簽之間的誤差最小化。有了這些基礎知識，讓我們接著來了解KNN算法。KNN是監督式的機器學習算法，“K”是待分類點鄰近值的個數 （例如，K=1、2、3等）。

左圖中，KNN會將“？”歸類為綠色星星，因為它最近。同樣，在右例中KNN會將“？”歸為黃色三角，因為這些三角形是最接近的多數情況。

新案例與已知案例之間的接近程度，可以使用任意距離函數，如歐幾里得尺度和明可夫斯基尺度等體現。因此稱之為最鄰近。這樣，KNN算法對新案例進行了分類。在這種特定模式中，KNN要正確預測各個情緒的分類。預處理所有數據后，我使用了KNN算法，然后計算出準確度為98.6%。這是顯示相同的代碼段：

使用可視化技術

我用數據可視化進行了分類，圖表更便于理解，并創建了一種解決方案，用來預測我應該避免什么樣的情緒才能保持一個積極的心態。這個技術將幫助我分辨標簽類別（積極、消極和中性），為此我使用了“箱形圖”。

結果

KNN生成的圖表顯示：

沮喪：算法將該特征歸類為消極，這是顯而易見的。但值得注意的是，在消極和中立之間有小部分的重疊。同時消極與中性界限也非常細微。這表明沮喪的情緒在某種程度上能夠激勵自己取得積極成果。綜合考慮后，它被歸類為消極標簽。

困惑：這項結果很有意思，算法將其標記為積極。在分析之前，我曾避免自己有困惑情緒。也許這些搖擺不定的情緒也能產生積極的結果，也許它們給了我們時間來衡量形勢的正反面。

悲傷：毫無疑問，這類情緒注定會產生消極的結果。

自卑：有時候頭腦中會出現一些隨機的想法。它們沒有來由沒有依據。算法將這些情緒歸類為中性。

哭泣：與悲傷特征類似，該特征也被歸為消極。但我認為它可能也有中立的一面，因為哭泣可以幫助平衡情緒。但如果依據圖表來給定標簽，很可能將其歸類為積極而非中性。總體來看，它會引發消極情緒。

痛苦：根據模型的預測，痛苦是導致心情不好的最重要特征。因此，它是極其消極的。

振奮：KNN預測這個特征對我有益。但是，該圖顯示中性和消極情緒略有重疊。此外，令人吃驚的是，如果我們僅考慮這兩個標簽，消極標簽的影響要比中性標簽大得多。

堅定：該特征非常有趣。結果之間幾乎沒有任何區別，很難立即做出詮釋，但是使用箱形圖可以輕易地理解這一點。

箱形圖提供了詳盡的圖示。圖示清晰易懂，它們根據特征或思想給出了三種不同情緒或標簽的清晰區分。它描繪的結果與KNN圖或多或少相同，但它提供了更好的解釋：

堅定：盡管看起來這一特征明顯會被歸類為積極，但是KNN圖表根據數據顯示了這三個標簽之間的相似性，這種相似性可能會產生誤導。看看箱型圖你就會發現，積極的結果只比另外兩個高一點。因此，該特征被歸類為積極標簽。

快樂：毋庸置疑，此特征為積極標簽。但是，它對中性的四分位數遠大于正數，如果僅考慮中性和負數，則中性要高于兩者。

這個項目非常有趣。起初，我以為分類結果是簡單且顯而易見的，但完成后，我才意識到這不僅僅是個分類。一個ML程序不僅能預測人類可以輕松完成的特定任務，還可以對數據集深入分析。

雖然這只是仿人智能的開始，但卻非常有趣，也許這就是‘機器學習’命名的由來。
責編AJX