你没见过老虎和狮子，也没听过关于它们的任何描述。现在，我有老虎和狮子的照片各100张，照片里的老虎或狮子，大的、小的、公的、母的、站着的、躺着的，各式各样。我从中各拿出40张照片，告诉你哪张是老虎，哪张是狮子。请问：你能不能将其他照片里的老虎和狮子识别出来？
当然可以！哪怕让你做判断的照片上，只有一个躺在草丛里的隐隐约约的轮廓。
此时，也许你还不能精确、严谨地描述出来老虎或狮子长什么样，但这不影响你做出准确的判断。
如果我和计算机来重复以上游戏，就是一个有监督学习中的分类问题。没那么费解，对不对？
在上篇文章中，我模拟了两个场景：一是招聘面试时，不断挖掘出关于应聘对象的信息，并做出录用决定的过程；二是依据李雷经常泡在自习室、来自省重点中学等信息，不断修正了对“李雷能否考上重点大学”的推测（点开查看）。根据新出现的信息，动态调整对某事件发生概率的判断，正是贝叶斯思维的核心。
本文介绍利用朴素贝叶斯算法识别人才的操作实例。
一、放下执念，回归初心
中国古代的思想家认为，事物的内在本质虽然难以把握，但可以通过诸多外在现象进行观察和分析。人的内心世界、内在本质，可以通过对个人境遇、人际关系、仪容举止、语气声调来观察识别。《吕氏春秋》提出“八观六验”，比如，无事可做时，有什么喜好？穷困时，是否接受不义之财？孔子拟订了七种测评人才的方法，“远使之而观其忠”，“近使之而观其敬”，等等。
现在广泛应用的人才评价技术主要有几大类：对个性、能力、兴趣、动机与价值观等的心理测验；无领导小组讨论、公文筐测验、案例分析、角色扮演等情景模拟；情境面试、压力面试、行为面试等。此外，还有知识测验、履历分析等技术。
这么复杂的人才识别方法，正好说明，人是难于评价的（此处省略苦不堪言的一万字）。
如果你的目标只是买到一双穿着舒服的鞋，而且自己能去一趟鞋店，那你去试穿一下，就能做出最佳选择。至于为什么穿着舒服，是材质、款式还是别的什么因素影响的，你不必深入研究。因为在挑鞋这件事上，你是消费者，而非设计师。
如果你是企业里的一名HR，你的目的是想办法把优秀人才找出来，解决“培养谁、提拔谁、奖励谁、留住谁”这些迫切、棘手的问题，那你不必一上来就带着大量人力财力一头扎进心理学理论、素质模型、人才测评技术的浩瀚大海。它的成本高、难度大、周期长，也许没等你整完，市场变了、企业黄了、老板跑了。
做事当然要脚踏实地，没有什么捷径可言。但值得提倡的是，不去追求面面俱到，而是聚焦主要问题，找一个性价比最高的解决方案。
二、就地取材，“数”尽其用
优秀人才，一定会在工作中留下蛛丝马迹，比如，年度绩效考核为优、受到表彰、晋升很快，等等。我们力图从这些蛛丝马迹，去倒推哪些人是优秀人才。
需要解决两个问题。
一是关于蛛丝马迹的不确定性。受过表彰或者年度绩效考核为优的员工，不见得就是优秀人才。就像看网购商品的买家评价，有没有“托”？有没有虚假交易？应对这种不确定性，不仅要看评分，还要看交易数量，做假的成本越大，结果可靠性越高。一个员工可能在某个蛛丝马迹中做假，但很难在众多蛛丝马迹中都能一致做假，这时我们有足够的信心认为，他就是优秀人才。
二是关于优秀人才的多样性。到底什么样才算优秀人才？一般来说，要按岗位建立素质模型，不可一概而论。比如科研人员和一线操作人员之间，优秀人才一定不一样。优秀的科研人员可能会有很强的学习能力、创新思维，优秀一线操作人员可能更倚重技能和责任心。为了不纠结于具体特征，我们不妨把优秀人才届定为一个抽象概念，将不同部门、不同岗位的员工都人为地分成优秀人才和一般员工，这总是可以做到的。
基于以上思路，我不设任何条件，让各部门在限定名额内，推荐一份本部门的优秀人才名单。然后，我把员工的年龄、年度绩效考核、职位晋升快慢、学历、职位层级等11个特征与是否被推荐放到一起，欣喜地发现，果然有蛛丝马迹！比如，大家推荐出来的优秀人才，在某个比较年轻的年龄段占比更高（但不是刚参加工作的最年轻的群体），在高学历的人员中占比更高。
接下来，你是不是会自然地想到，如果员工A的年龄、学历等11个特征，都处于推荐的优秀人才占比比较高的区间，那么，员工A是优秀人才的可能性是不是很高？当然！
三、用算法把优秀人才“猜”出来
本次研究中，被推荐为优秀人才的人数为820人，未被推荐的人数为2181人。从这3001人中，随机抽取80%人员的数据作为训练集，剩下20%人员的数据作为测试集。
建立高斯朴素贝叶斯模型，采用训练集数据进行训练，然后对测试集数据进行预测。算法预测结果的混淆矩阵如下：
| 算法预测为0 | 算法预测为1 | |
|---|---|---|
| 实际推荐为0 | 1332 | 849 |
| 实际推荐为1 | 76 | 744 |
预测效果好不好？常用的指标有：
精确度（Accuracy）=(1332+744)/(1332+744+849+76)=69.2%
优秀人才的查准率（Precision）=744/（849+744）=46.7%
优秀人才的召回率（Recall）=744/（76+744）=90.7%
在本研究中，精确度的意义不大，查准率低不可避免。受名额限制或者推荐操作误差甚至作弊，一定会有优秀人才没有被推荐出来，也就是说，混淆矩阵中的849这个数字应该更小，而744这个数字应该更大。
优秀人才的召回率90.7%，最值得关注。实际推荐的820人中，有744人被算法预测为优秀人才，只有76人被算法否定。
细心的读者会发现，实际推荐的只有820人，算法预测出来的有849+744共1593人，猜中的比例当然要高啦！实际上，推荐的人数占总人数比例为27.3%，如果从3001人中随机选出1593人，只能猜出820人中的1593/3001=53.1%。而算法能猜中90.7%（如前论述，该值偏于保守），效果是值得肯定的。
当然，划分训练集和测试集时，也存在误差。通过十折交叉验证，召回率仍达到88.3%。预测效果是可靠的。
四、预测结果的直观分析
对11个特征进行因子分析后，提取潜力、能力、业绩3个公因子，计算每名员工的因子得分，并绘制三维散点图。实际推荐的人员相对集中，但仍存在离群值，且连续性不强。算法预测的人员集中度更高，相对连续，更具说服力。
五、小结
通过朴素贝叶斯算法，依据各部门推荐的820名员工名单，及3001名员工的11项数据，较好地“猜”出了哪些员工是企业的优秀人才，而且能过滤掉一些“假优秀”。你已经能够在一串长长的素未谋面的员工名单上，标注出哪些是优秀人才。这样的预测结果，已经在科学识人的征途上前进了一小步。
但是，实际中却存在这样的个例：与员工B相比，员工A的年龄、学历上处于劣势，其他方面优势明显，这两员名工，本是难分高下的。在概率模型里，他俩可能正好被划入优秀与非优秀两个不同的类别中。因此，二分类建模（优秀与非优秀），过于粗糙，下步还要想办法实现对人才更细致的分类或者排序。
另外，从分类判别公式中可以看出，它与我们提倡的“用人所长”的价值导向并不完全吻合。就好比，在发现澳大利亚黑天鹅之前，17世纪之前的欧洲人认为天鹅都是白色的。“所有的天鹅都是白的”这一结论，已经有数万只白天鹅可以作为证据。但是要推翻它，只需要一只黑天鹅就足够了。
虽然在人才识别这件事上，我们不会完全依赖算法，但要时刻警惕遗珠之憾。
我们需要在这一研究成果的基础上，建立更加审慎的人才评价方法。
