说明

有些概念还是要抽象再抽象

把模型视为规则可以更好的组织模型，用于构建更复杂的功能，以下简单的进行讨论。

内容

人类可以直接理解和利用的是简单规则。

规则就是IF ... THEN ... ,这个是可以直接用人类语言表达的逻辑；再往前走一步就是三段论（推理）， 类似于 IF A is B and IF B is C THEN A is C这样的。

也可以这么理解规则是「道生一」，推理是「一生二」，大量的自动推理是「二生三」，最终得到的规则库（知识库）就是「三生万物」。

回到规则和模型上，可以说模型是一种复杂的规则，但仍然是一条规则。

人类的思维只能工作在低维区，例如基于年龄的规则， IF Age >=18 Then 1 Else 0。低维空间对于信息的利用非常有限，所以我们使用模型。

以逻辑回归为例（一种广义线性模型），它能用简洁的形式表达复杂的信息。大致可以做如下的一个对比：

类型	变量	组合数
人类直接处理的低维规则	3	64
逻辑回归	10	1,048,576

一般的人类的极限是同时处理3个变量（假设每个变量有4个分层），因此其组合极限是64。对于逻辑回归来说，通常我们可以获得10个有效的建模变量，其决策的组合数大约有100万个，是人类极限的1.6万倍。但是，逻辑回归的结果和简单规则的结果并无本质区别，只是精度更高而已。

P.S 模型并不是越复杂越好，要搭万丈高楼就要有万丈的地基（数据）。否则还不如使用简单模型搭个平房。

模型与规则比较

以上面的比较为例，从形式上，规则可以用64行代码表达（不重不漏的处理所有子空间的决策）。而模型（即使是最简单的逻辑回归）在处理上也复杂的多。逻辑回归算是最“接地气”的模型，其最终的表达形式也可以用规则表示。10个变量可以用40条规则映射分值，再把分值（模型决定了分值）映射为最终决策。性价比还是非常高的。

之所以用逻辑回归是因为这种模型基本上是线性的，可以转化为简单规则的形式来部署。其他的模型可能没有「变量分值」这样的映射，而是直接给出一个结果，其变换和映射只能包在模型对象的内部，存储可能是一个pickle文件。BTW, 业界曾经试图用一种通用的语言来描述模型对于变量的处理过程，也就是PMML。但是个人是在不太喜欢这种方式，事实上也不是所有模型都能够转换为PMML。

理论上如果用代码表达100万个组合，就需要100万行代码，模型做的最重要的事就是通过拟合给每个变量区间确定一个分值，从而避免了大量的显示声明。当然这是要代价的，这就是变换和拟合。

模型即规则

模型用精简的数据公式表达复杂的信息

从上面可以看到，模型可以表达非常丰富的可能空间，而看起来只是一个文件。从数学形式上，大多可以用带有层级的公式来表达，深度神经网络也只是一个特别大的高阶多项式。

模型的输入和规则没有什么不同，都是原始变量，只不过模型的输入变量个数可能会很多。当然像逻辑回归这样的模型通常也就十个变量，最多不会超过20个。

模型的内部蕴含了变量的变换信息，而且可能不止一层。例如逻辑回归就经历了缺失值处理、异常值处理、离散处理、WOE转换几个变换才最终用模型拟合。普通规则可能只需要考虑了离散化。在变量的变换上，模型可能还有一个优势 ，就是自动调整。传统的规则需要人进行一一指定，工作量是很大的，模型可以根据训练的结果自动给出理想的离散化方法/参数。

因此，需要把模型加一层封装，作为对象比较方便使用。

一旦模型封装为对象，也就意味着用起来也就像是一条简单规则。最终整个体系就抽象为了一个规则系统的运行问题，这方面的概念和实现都是比较多的，而规则的复杂性通过模型对象被封装起来。最终在不提高使用成本的前提下，大幅提高系统的复杂问题处理能力。另外，未来基于三段论的基础，结合图算法、图存储的技术可以实现知识发现：这可能是通向强智能的一条靠谱的路。