前段时间与同事讨论一个订单拆解预测的工作，同事提出，当前的模型，拆分到了细粒度的数据，引入了过多的特征用于选择，应该对特征加入惩罚项，防止维度过多而引入太高的自由度。
这种思想，非常类似于机器学习模型中的正则化项。
自己想到，在基础思维理念上，会有朴素的共同认知。所有，很多所谓的新科学，可能属于在日常工作、以前的读书中都接触的概念，学习新东西的正确方式是：联想，新知识与旧知识的关联，将过往的知识串起来，将新知识视为个人知识能力框架上的一个分枝，而非新种一棵树；然后将这个分枝不断的丰富发展，让其成长。（对于全新的东西，则要新种树了。但对于接受过系统的科学训练的人，不管是什么专业，在相似的科学领域，其实学校整体的课程设计以及在学生期间所阅读、接触的事，就会构成一个相对完整的框架。只不过，不同的个体，枝干的强弱程度不同）