地理学顶级刊物《AAAG》发文利用机器学习中的

地理学顶级刊物《AAAG》发文利用机器学习中的“错误”揭示城市间的差异 在城市A训练的机器学习模型，应用于城市B，往往就“失灵”了（比如房价预测，会体现为系统性地高估或低估），这是由于城市间是有差异的。通常情况下，我们会思考如何提高模型的泛化能力，使得在城市A训练的模型迁移到其他城市也有较好的表现，尽可能降低偏差。然而，我们认为，这些偏差潜在地为我们了解城市间的不同提供了宝贵的价值。本研究从一个相反的视角讨论迁移性差的问题——我们如何利用机器学习模型在城市间迁移过程中产生的偏差，来度量城市间本身的差异。 本研究设计了一个研究框架来实现这个目标。该框架首先分别建模不同城市中当地物质环境（通过街景影像捕捉）与城市指标（如房价、犯罪率等）的关系（训练模型），随后将在一个城市A中训练的模型迁移到不同城市B中进行预测（即用A的模型评估B的物质环境关联的城市指标）。这个过程中会产生迁移偏差（transferred bias），即由于物质环境与模型的错配而导致的不准确估计与城市B处真实的城市指标的差异。研究结果表明，迁移偏差可以有效地量化城市间物质环境和社会经济环境的差异，从而进一步支持对城市可持续发展的探究。本文发表于《美国地理协会会刊》（Annals of AAG）。