经济学中的机器学习：两者结合必将大有可为人工智能可以说是近200年来自动化的集大成者。它近年来发展迅速，在保持生产力的同时提供了极高的精度和准确度。机器学习广泛应用于数据科学和自动化的各个领域，但在经济学领域应用得并不多。本文旨在具体介绍机器学习在当前经济结构中的应用及其未来的可能性。机器学习的任务是开发设计用于数据集的算法，其主要领域是预测、分类和聚类任务。计量经济学是指将统计方法应用于经济数据，以便为经济关系提供实证内容。更准确地说，它是“在理论和观察同步发展的基础上，通过适当的推理方法对实际经济现象进行的定量分析”。一本入门经济学教科书将计量经济学描述为允许经济学家“从海量数据中筛选出简单的关系”。行为经济学研究心理、认知、情感、文化和社会因素对个人和机构决策的影响，以及这些决策与经典经济学理论中表达的内容有何不同。来源：unsplash目前，因果推理仍然需要人类自己去做，但机器学习使经济学家能够更快地处理更大的数据集以解决大问题。经济预测首先要提到的是机器学习如何为经济预测做出贡献。在进行经济预测时，我们通常希望通过将利率、零售额和失业率等指标应用于我们使用的统计模型来预测经济的未来国内生产总值(GDP)。在同一场景中使用机器学习时，请查看此结果：HughDance和JohnHawksworth使用一种称为弹性网络正则化和变量选择技术的机器学习类型，使用机器学习预测当前GDP增长，构建了一个实时分析模型。虽然它仍然严重依赖人类专家的输入，但它在预测GDP增长方面能够达到95%左右的准确率。那么问题就变成了：“是什么让这种建模方法与经典计量经济学不同？”机器学习的错误百分比低于标准回归模型。机器学习模型能够分析数百GB的数据，同时最大限度地减少外部干扰，这与基于因果推理分析数据的标准计量经济学模型不同。机器学习模型的设计目的不是确定变量之间的因果关系，而是做出合理的预测，这些模型各有优缺点。RBI经济学家BanuPratap和ShawvonSengupta希望在机器学习中找到改善宏观经济预测的方法。他们将机器学习模型与传统模型进行了比较，发现机器学习模型产生了更好的结果。在机器学习模型和计量经济学模型之间进行了所有比较之后，可能会出现一个问题：“这是否意味着这两个框架不能协同工作？”答案是否定的，在同一个项目中实现机器学习和计量经济学都是必要的。随着机器学习应用程序精通粒度预测，它们的开发人员将面临因果关系问题。因此，协调机器学习系统中的计量经济学可以让机器学习开发人员了解是什么推动了他们模型的预测成功。行为经济学中机器学习的来源：unsplash机器学习强大的模式识别能力使其在行为经济学中具有广阔的应用前景。机器学习擅长使用现有数据来预测未来的行为。人类是模式探索者，在行为经济学领域，通过机器学习的良好应用，我们将能够预测人们的决策。下图是一个决策树模型，它是机器学习算法的一个分支，包括对item的观察到最后找到item目标值的结果。该算法的目标是开发一个可以根据输入变量预测决策的模型。我们不会深入研究该算法背后的确切步骤，但要点是这些生产商能够根据该模型制定营销策略并为其业务带来收益，从而有利于整体经济。决策树图示例产品改进和生产我们使用机器学习所做的很多事情都在表面之下。用于需求预测、产品搜索排名、产品和交易推荐、推销、欺诈检测、翻译等的机器学习驱动算法。虽然不太明显，但机器学习的大部分影响都属于这种类型——悄悄但有意义地改进核心操作。数据的收集和存储变得越来越便宜和高效。借助机器学习，制造商能够在保持相同质量的同时降低制造成本。制造业的基本目标是以最低的成本生产高质量的产品。在制造过程中，机器学习算法从制造层获取信息，制造数据来描述机器和生产速度之间的同步性。人工智能和机器学习的最大优势之一是它在行业中提供了更高的灵活性。德国南部有一家洗发水工厂，只有一条生产线，但其生产功能是通过在线接单实现的。收到订单后，它会在瓶子上贴上定制的RFID标签，并使用制造机器上的传感器添加不同的组件。这不仅最大限度地缩短了生产时间，而且完全根据消费者的需求定制了产品。来源：unsplash普华永道表示，到2030年，经济学中的机器学习可以将生产力提高14.3%。机器学习的潜力是无穷无尽的，它已经为各个领域做出了贡献，并为当前的行业增添了额外的好处。随着人工智能的发展，相信现有的经济模型与机器学习模型的结合，必将为经济学家打开一扇新的大门。【责任编辑：赵宁宁电话：（010）68476606】
