“ 沒了BIT，星牛力挽狂瀾”
01
—
艦船再遇引力波攻擊，星牛巧用BIT妙招
所有進入過迷你宇宙的人都失去了那段記憶，事實上，從迷你宇宙之外來看，整個過程持續的時間並不長——迷你宇宙內外的時間尺度差的不是一個兩個數量級。所以他們現在的處境就是逃離了中子星的引力，處於一個詭異的空間，就是在這裡，他們剛剛經歷過了那段被刪掉的記憶。
BIT的軀體被冷凍了起來，K30艦長決定帶領大家繼續前行，道阻且長，行則將至，K30再次起航，他們沒有再遇到中子星，沒有遇到恆星爆炸，沒有遇到任何奇怪的狀況，所有人都在祈禱，因爲失去了BIT，現在的K30巡航艦遇到此前的境況無異於送死，但是該來的還是來了… …
第一個意識到危險的還是飛船的探測器，他們遇到了大量的引力波！但又好像不是引力波，因爲探測器探測到的引力波是非連續的，呈現不規則形狀，根據對探測到的第一束引力波的持續追蹤，引力波經過的地方都會產生一個“引力真空”區域，就好像存在大氣層的星球，流體速度突然變快，導致其周圍的壓力突然變小一樣，這個引力波經過的區域也會造成一個類似的“引力真空區域”。本處於引力平衡的區域，就會在引力差的情況下形成一個巨大的追隨引力波的推力。所有未被引力波直接撞擊的物體都會被甩到這個區域，無論原來在什麼位置；如果遭到引力波直接撞擊，物體會被拉伸扭曲，就像原本是一艘巡航艦，如果遇到強大的引力波團，那麼這艘巡航艦可能會被抻成麪條。
顯示所有大圖
所有人的目光投向了K30的艦長。
這時的艦長還在思考，是不是可以採用之前遇到的隕石雨同樣的處理方案，但是很快就自己否認了這個方案。因爲首先巡航艦沒有任何多餘艦體可以發射出去當活靶，其次，任何利用電磁信號實時探測的手段必將失效——一定會被引力波吞噬。
就在艦長和船員全體陷入沉默的時候，星牛發現了一個現象：隨著引力波的推進，艦船探測到了更多的引力波，他們的破壞力的確很強，但是他們發現引力波的陣型與之前遇到的隕石雨的陣型雖然存在差異，但是引力波似乎也可以通過類似隕石的建模方式，甚至相同數量的維度進行建模。也就是說，在高度密集的引力波攻擊下，如果艦船可以找出那些類似無傷害能力的隕石一樣，找到攻擊力弱的引力波團，艦船就可以像之前通過隕石雨一樣，通過引力波團的攻擊。
星牛立馬提議技術人員觀察一下，能否對引力波團進行建模，而建模的維度最好保持與之前對隕石的建模維度一致，當然這個問題的關鍵依然是需要一個活靶子，對這些引力團打好標籤，起碼需要知道哪種的引力波團攻擊力更強，破壞力更大，哪種的引力波團是在巡航艦的承受能力範圍之內。
K30艦長這時的腦海中想到了K30出發之前工程師曾經提到過一個微型的粒子對撞機，原理正是通過外部引力波激發，產生粒子碰撞，從而產生一個迷你黑洞，這個黑洞可吸收最高頻率爲1.0E7 Hz的引力波,而目前探測到的引力波團的最高頻引力波超過了1.0E13 Hz。但是從目前監測情況來看，只有15%~20%的高頻引力波，其他都是在迷你黑洞可以接受的範圍之內（這個迷你黑洞就爲標註數據提供了絕佳的機會，而不至於犧牲整艘巡航艦作爲活靶子）。
K30艦長跟大家宣佈了這個想法：利用唯一的K30巡航艦作爲“活靶子”，這也是不得已的方案。獲得大家默認之後，艦長開始安排這項工作，將艦尾的粒子對撞機調整好位置，艦尾對1.0E7 Hz以下的引力波團進行攔截和標記，如果遇到強力衝擊波，最壞的結果就是整個巡航艦失去了最後的殺手鐗，等待大家的估計只有湮滅於這魔鬼般的茫茫宇宙之中。
慢慢地，第一束引力波團過來了，粒子對撞機成功被啓動！衆人鬆了一口氣。接著第二束、第三束引力波團接踵而至，粒子對撞機的迷你黑洞成功將其接收，工程人員隨即也記錄下了引力波的衝擊力大小。再接下來第四束、第五束… …第763束引力波團都被成功接收，粒子對撞機產生的迷你黑洞在接收若干引力波團之後對引力波團的接收頻率和抗衝擊能力也獲得了提高。當然，中間也有個別引力波團對巡航艦造成了破壞，導致飛船的散熱出現短暫故障，不過很快被修復。但是在接收第6043個引力波團的時候，粒子對撞機開始報警，主要原因是巡航艦搭載的核能即將耗盡，如果將所有核能全部耗盡，即便穿過了這個引力波團的密集攻擊，那麼飛船也將會失去主動加速和制動的機會，只能任由大星體捕捉或者毀滅，所以艦長建議停止粒子對撞機。粒子對撞機停下來之後技術人員開始對已經獲得的的引力波團數據進行建模和分析，很快按照之前隕石雨的方案得到了一個初步的模型，但是效果不甚理想，準確率只有63%，導致巡航艦的側翼受損嚴重。
眼看下一輪引力波團就要到來，巡航艦上的船員陷入了猶豫：這樣下去與慢性自殺無異。K30艦長也陷入了兩難的境地，一時間也不知道如何是好。
此時的星牛反倒沒有說話，自己躲在角落好像在思考著什麼。星牛確實想到了什麼。因爲BIT“生前”曾經跟他提到過一個方案，就是在遇到隕石雨的時候，就是如果我們能夠僥倖通過隕石雨，但是損失慘重的話，可以通過一個增強方案以備下次使用。於是星牛把這個方案分享給了大家。
簡單來說，我們利用現在掌握的數據很難獲得一個精準的模型以準確判斷引力波團的衝擊力到底有多大，但是我們起碼有個基礎的模型，準確率可以達到60%以上，如果我們有多個類似的基礎模型，每個基礎模型能夠在不同的數據判斷上有所側重，然後將多個模型“融合”在一塊，作爲整體的模型，利用整合之後的模型繼續學習數據的深層次信息，或許能夠獲得一個更好的效果提升。而多個效果不甚理想的基礎模型是通過反覆學習得到的，即第一輪我們可以獲得一個基礎模型，他能夠在60%多的數據上表現出良好的判斷準確性，剩下30%多容易誤判；接下來改變數據的權值分佈或者概率分佈，從而使得當前這個基礎模型誤分類的樣本（30%多分類錯誤的樣本）權重獲得提升，正確分類的樣本權重下降，從而在訓練下一輪效果比較差的基礎模型的時候，可以讓模型更加關注誤分類的樣本（具體就是提升誤分類的數據樣本的權重，對應的也提升了模型需要優化的誤差或者損失，然後通過優化函數使得模型可以在這些被上一輪模型誤分類的數據上重點學習從而判斷更準確），然後隨著學習輪次的增加，所有的誤分類的樣本都會如此通過概率分佈的調整被不斷訓練的新的基礎模型所解決，最終，整合之後的模型對所有數據誤分類的情況普遍下降，理想情況下甚至可以達到消除誤分類。
最終，大家齊心協力成功將巡航艦駛過引力波團。然而他們不知道的是，等待他們的可能比毀滅還要痛苦… …
02
—
掉書袋
【1】 上述情節中將多個基礎模型組合在一塊形成集成模型是對AdaBoost算法思想的一個簡單介紹。
【2】 Adaboost是boosting算法的一個例子，也叫提升算法，最早是以多項式算法的形式被提出。
【3】算法中會根據基礎模型在當前權重分佈的樣本上的表現，比如哪些分類錯誤，錯誤率是多少等決定下一輪數據的權重，這樣在不改變數據的情況下通過權重調整了數據分佈，從而可以調整模型學習的方向。
【4】Adaboost如何將弱分類器集成爲強分類器呢？思路很簡單，通過加權多數表決的方式，具體來說，減小分類誤差率大的弱分類器的權值，使其在分類中起較小的作用；同時加大分類誤差率小的弱分類器的權值，使其在分類中起較大的作用。
03
—
參考文獻
1. 關鍵字：《統計學習方法》、李航
2. 關鍵字：《機器學習》、西瓜書、周志華
3. 關鍵字：coursera、Adaboost