前段時間與同事討論一個訂單拆解預測的工作，同事提出，當前的模型，拆分到了細粒度的數據，引入了過多的特徵用於選擇，應該對特徵加入懲罰項，防止維度過多而引入太高的自由度。
這種思想，非常類似於機器學習模型中的正則化項。
自己想到，在基礎思維理念上，會有樸素的共同認知。所有，很多所謂的新科學，可能屬於在日常工作、以前的讀書中都接觸的概念，學習新東西的正確方式是：聯想，新知識與舊知識的關聯，將過往的知識串起來，將新知識視爲個人知識能力框架上的一個分枝，而非新種一棵樹；然後將這個分枝不斷的豐富發展，讓其成長。（對於全新的東西，則要新種樹了。但對於接受過系統的科學訓練的人，不管是什麼專業，在相似的科學領域，其實學校整體的課程設計以及在學生期間所閱讀、接觸的事，就會構成一個相對完整的框架。只不過，不同的個體，枝幹的強弱程度不同）