本文正在参与「金石方案 . 瓜分6万现金大奖」
一、从绩效查核说起
绩效查核，是许多人力资源从业者（HR）的噩梦。这在IT职业尤为杰出。
我见过许多IT公司的HR，因为思考怎么对程序员做查核，掉光了头发。直到他们回到劳动密集型企业，又重新长出了浓密的黑发。
许多HR在对程序员们做绩效查核宣讲的时候，都会面临激辩群狮、虎、豹、大象，最后无言以对，自残而退。
其实，他们纠结的问题基本上便是：质与量，究竟该怎么衡量和判断。
我觉得对程序员，就要用程序员的方法去查核。只要这样，才干做到无懈可击，令其信服。
下面我就来讲讲，程序员是怎么给一套程序做“绩效查核”的。
他们给程序做查核时，也是有目标的。而这个目标，他们自己也很难找出缝隙，也会让他们左右为难。可是终究却有处理方案。
二、程序员的目标
假定程序员写了一个程序，要从一堆货物里边，辨认出合格品和次品。
这个程序，做个不恰当的类比，就像是HR搞了一套查核目标，要从很多职工傍边，筛选出优异职工与普通职工。
首先，咱们无法一眼就看出合格品和次品。就像职工脸上没有贴着“优异”相同。所以，咱们看到的样本基本是：打眼一瞧，都相同。
可是，它们又是有细微差别的，比方概括、色彩、巨细、透明度等。咱们正是靠这些多维度的特征，依照查核规矩，来评判出是否合格。
这就比方咱们有一副奇特的眼镜，戴上一看，样本是否合格，它们就显现出了原形。
当然，这是终究理想的状况。实际上，这个眼镜需要不断实施，反馈，调整。
所以，程序员就用右手，写了一个人工智能的程序。随后，又训练了一套模型，相当于制度的试运行。终究，这套程序能够把合格的样本，用蓝色的小圈，框出来。
咱们从天主视角看，红色的点代表合格，灰色代表不合格。其实，程序是不知道底牌的。
那咱们看到，A圈辨认的很对，圈中的样本代表合格，它都辨认对了。B圈差点儿意思，将一些次品也辨认成合格了。C圈整个完蛋，黑白倒置，辨认的一切合格，实际上满是次品（这种查核完满是逼优异的人离职的节奏）。
2.1 T-F-P-N
这儿边引入一套概念，因为后边要用到公式进行计算。
假如咱们的程序辨认出了一些合格的样本。那么，基本上分为这么两种状况。
第一，它辨认对了。咱们用T也便是true表明它成功了。这儿边其实还分为两种状况：1、把实际上合格的，断定成了合格。这个断定的合格咱们叫P,也便是positive。那么这类状况便是TP；2、断定为合格之外的那些样本，实际上它也真的不合格（Negative）。那这类也算是评对了，咱们把这类叫做TN。
第二，它辨认错了。咱们用F也便是false表明它犯错了。这儿边其实也分为两种状况：1、把实际上不合格的，断定成了合格。那么这类状况便是FP；2、断定为合格之外的那些样本，实际上也有合格的，可是你没有辨认出来，你以为它Negative，咱们把这类叫做FN。
HR看到上面的TP、TN、FP、FN四种状况，骂骂咧咧地关了页面，走了。只剩下由程序员转行的HR，还在继续看。
2.2 准确率 Accuracy
程序员引入的第一个评判规范叫准确率。
准确率表明我猜对的占比。
比方，我在研发部评选优异职工。一切的100名职工中，我评出来90个优异，实际上这90个的确优异。那么我这套查核的准确率便是100%。
准确率的公式是：Accuracy=(TP+TN)/(TP+TN+FP+FN)，表明猜测正确的占总数的比重。
准确率这种目标，看起来无懈可击，十分完美。
可是，程序员并不这么以为。程序员觉得缝隙很大，很容易钻空子，并且极端不公正。
举个比方，假如有一套辨认程序或许点评制度，它看谁都像是好人。并且，它又凑巧都遇到了好人。那么，部分来看，它的准确率目标，十分棒。可是，换一个视点，它居然很糟糕。
就像是我开发了一套辨认癌症病人的程序，这个程序根本不思考，给谁检测都说没有。
那么，你说准确率高不高，十分高。可是，这真没什么用。患癌症的人数，100人中可能只要1例，它的效果便是要找出这1例，而不是那些健康的99例。
它虽然相对准确，可是绝对不准确。
因而，程序员又提出了第二个目标：准确率。
2.3 准确率 Precision
准确率，是用来确保不犯错的。
比方审判，假如你没有足够的依据证明其有罪，那么便是无罪。不要求你处理多少案子，凡是处理一个，都要确保准确。这，便是高准确率。
准确率的公式便是：Precision=TP/(TP+FP)，表明猜测正确的占猜测数量的比重。
比方，总共有1000个样本，我猜测了其中100个样本。这100个傍边，99个猜测对了，1个样本猜测错了，那么准确率便是99%。它和准确率的差异便是，它要对每一个样本都担任，一个都不能错。
假如说高准确率，确保了集体的利益。那么，高准确率，确保了个别的利益。
可是，程序员发现，准确率虽然公正公正，可是缝隙更大。
举个比方，我猜测了3个样本，这3个样本全都正确。带入公式Precision=TP/(TP+FP)计算便是：3/(3+0)=100%。这儿边，咱们看到一个小技巧。猜测几个不重要，关键是要让FP等于0。一旦FP=0，准确率就恒为100%。
也便是说，高准确率虽然着重，要把每一件经手的事情干好，可是也有一个逻辑缝隙：干100件事和干1件事并不重要，不犯错才重要。这可能会导致，少干才会少犯错，并且拣着容易的活干也会少犯错。
所以，为了处理上面的问题，程序员又想出一个目标：召回率。
2.4 召回率 Recall
这次咱们先看召回率的公式：Recall=TP/(TP+FN)。
因为有了上面的经历，这次咱们先找它的缝隙，只需让FN=0，这个召回率就会一向是100%。
那么，咱们再回忆一下，FN代表什么？
“咱们用F也便是false表明它犯错了。断定为合格之外的那些样本，实际上也有合格的，可是你以为它不合格，断定了Negative，这类叫做FN。”
怎么让FN等于零，那便是扩大检测规模。
因为公式是Recall=TP/(TP+FN)，里边并没有触及FP和TN。
因而，只需扩大检测规模，哪怕存在误判的滥竽充数者FP，就会让FN=0，不会影响100%的召回率。
所以，召回率的精华能够用一句话概括：“宁可错杀一千，绝不放走一个”。
这样就处理了那些少干活、拣活干的状况。因为，只要确保一切活都干了，才干提高召回率。
三、综合权衡
现在咱们来总结一下，程序员使用的这些目标。
准确率发起尽量把一切事情都干好，准确率要求尽量别在某一件事上出问题，召回率鼓舞尽量别让任何一件小事掉在地上。
这可能便是你老板一向要求的：要多，要快，还要好，还得省。
虽然程序员很抵触这类要求，可是他们仍然会对自己的程序提这样的要求。
下面可能是咱们希望的终究状况，每一个都被100%准确地辨认出来。
并且，换一批样本，成果仍然不受影响。
可是，根据我多年的活生生的生活经历，又便宜，质量又好，花5块钱买了，随时能够卖5万的商品，不好找。这一点，程序员也知道。
因而，需要一个权衡。
权衡的意图便是即不麻烦，又省成本，最后成果还大体满足。权衡和都要，最大的一个差异便是：权衡允许妥协。
有人说，权衡是中国几千年文明中的一个形而上学问题。你把成果引向这儿，属于说了一堆儿，可是又啥也没说。估量是想甩锅了。
并不是，程序员这儿就不存在形而上学问题（除了在我这儿能够运行之外）。遇到形而上学问题，你找他们评论，必定会得出一个确认的定论，即使这个答案是“我也不知道”。他们从不会说上半个小时，而没有明确的情绪。
对于权衡，程序员也是有一个公式的。
这个公式HR就不必懂了，程序员能够去了解一下。
大体意思便是，召回率高（干的多），必然会导致准确率低（犯错多）。反之，干得少，犯错也少。因而引入一个参数用于调理决策成果。
假如的取值大于1，则表明着重召回率。合适创业阶段，鼓舞多干，先野蛮生长。
假如的取值小于1，则表明着重准确率。合适守业阶段，鼓舞干精，要稳打稳扎。
假如的取值为1，则表明两者都着重。可是，你不能要求都是100%，也不能容忍都是50%。
这么看，程序员仍是把决定权交给了使用者，他们只担任供给多种处理方案。
其实，假如我们有什么问题，能够问问身边的程序员。没准儿，他们会有处理方案。最起码，你多了一个看问题的视点。
我是ITF男孩，在是TF男孩，带你从IT视角看国际。
