Content #
我们建立一个神经网络，用大量的数据训练这个网络，让网络学会自己做判断。网络内部有大量参数随着训练不断变化，就相当于人脑在学习中提高技艺。每一次训练，都是先让网络对数据做个自己的判断，然后数据再给它一个反馈。如果网络判断正确，它就会加深巩固现有的参数；如果判断错了，它就调整参数。这跟人脑的学习也很像：只有当你判断错误的时候，才说明这个知识对你是新知识，你才能学习提高。
研究者可以决定用什么难度的数据去“喂”这个网络。如果数据难度太低，网络每次都能猜对，那显然无法提高判断水平；如果数据难度太高，网络总是猜错，那它的参数就会东一下西一下变来变去，无所适从。这项研究问的问题是，每次训练中网络判断的错误率是多少，才是最优的呢？
研究者首先用了一个比较简单的数学模型做理论推导，又用了一个AI神经网络学习算法和一个模拟生物大脑的神经网络模型做模拟实验，结果得出一个精确解： 15.87%。
也就是说，当你训练一个东西的时候，你给它的内容中应该有大约85%是它熟悉的，有大约15%是令它感到意外的。
研究者把这个结论称为“85%规则”，我们干脆把15.87%叫做“最佳意外率”。这个数值就是学习的“甜蜜点”。
罗伯特•威尔逊（RobertWilson)等人发表的The Eighty Five Percent Rule for Optimal Learning(《最优学习的85%规则》）
From #
学习究竟是什么