หลักการของออคแคม (Ockham's Razor หรือ Occam's Razor) ถูกเสนอโดย วิลเลียมแห่งออคแคม เป็นหลักการหนึ่งในปรัชญาวิทยาศาสตร์ ในการเลือกทฤษฎีที่เหมาะสม และตรงกับข้อมูล ที่ได้จากการสังเกต หรือการทดลอง
หลักการของออคแคมนี้ ถูกนำไปตีความในหลายรูปแบบ โดยนักปรัชญา และนักวิทยาศาสตร์หลายท่าน อย่างไรก็ตาม เราอาจกล่าวถึงหลักการของออคแคม ในรูปแบบที่ง่ายที่สุด ได้ดังนี้: "เราไม่ควรสร้างข้อสมมุติฐานเพิ่มเติมโดยไม่จำเป็น" หรือ "ทฤษฎีไม่ควรซับซ้อนเกินความจำเป็น"
นั่นคือในกรณีที่ทฤษฎี หรือคำอธิบายปรากฏการณ์ต่างๆ มากกว่าหนึ่งรูปแบบ สามารถอธิบาย และทำนาย สิ่งที่ได้จากการสังเกตทดลอง ได้เท่าเทียมกัน หรือไม่ต่างกันมาก เราควรจะเลือกทฤษฎีที่ง่ายที่สุด หรือซับซ้อนน้อยที่สุดนั่นเอง
หลักการนี้ ได้รับการสนับสนุนอย่างหนักแน่น จากนักวิทยาศาสตร์ชื่อดังหลายท่าน ไม่ว่าจะเป็น อัลเบิร์ต ไอน์สไตน์ หรือ กาลิเลโอ กาลิเลอี ที่มองธรรมชาติเป็นสิ่งที่สวยงามดั่งศิลปะ (ดูเรื่องความสวยงาม ในมุมมองของนักคณิตศาสตร์ ได้ในหัวข้อ นักคณิตศาสตร์
ตัวอย่างที่ดีที่สุด ในการใช้หลักการของออคแคมคือ การที่นักวิทยาศาสตร์ชั้นนำ ในยุคฟื้นฟูศิลปะวิทยาการ เชื่อถือว่า ทฤษฎีของโคเปอร์นิคัส นั้น น่าเชื่อถือมากกว่า ทฤษฎีโลกเป็นศูนย์กลาง ของ อริสโตเติล และ ทอเลมี
ไฟล์:Geo vs helio.JPG
ในรูป แสดงการโคจรของโลก และดาวพุธ. โดยด้านซ้าย แสดงโมเดลแบบ ดวงอาทิตย์เป็นศูนย์กลาง, ส่วนด้านขวา แสดงโมเดลแบบ โลกเป็นศูนย์กลาง. ทั้งสองโมเดล ให้ความถูกต้องใกล้กัน แต่โมเดลแบบแรก เรียบง่ายกว่ามาก. ภาพนี้สร้างขึ้นจาก Java applet ที่เว็บไซต์ venus-transit.deในงานวิจัยด้านการเรียนรู้ของเครื่องในปัจจุบัน ได้นำหลักการของออคแคมมาใช้อย่างกว้างขวาง (ดู (Duda et al., 2001), (Mitchel, 1997) และ (Mackay, 2003)) แต่มักจะเข้าใจผิดว่า ทฤษฎีที่มีคำอธิบายสั้น คือทฤษฎีที่เรียบง่ายกว่า (ดูหัวข้อความเข้าใจผิดที่พบบ่อย)
อนึ่ง หลักการของออคแคมนี้ สามารถคำนวณออกมาในเชิงตัวเลข (หรือในเชิงปริมาณ ซึ่งสามารถสื่อสารกันได้อย่างเที่ยงตรงมากกว่าเชิงคุณภาพ) ได้ด้วยการใช้ทฤษฎีความน่าจะเป็นแบบเบย์ ในการอนุมาน (ดู (Mackay, 2003) และ (Jaynes, 2003)) โดยมีหลักการว่าโมเดลที่ซับซ้อนมาก จะมีตัวแปร (ในศัพท์ของทฤษฎีความน่าจะเป็นและสถิติมักเรียก "ตัวแปร" ที่ปรับได้นี้ ว่า "พารามีเตอร์") จำนวนมาก เพื่อให้ปรับค่าได้ยืดหยุ่นมาก ดังนั้นความน่าจะเป็นที่ตัวแปรจำนวนมากนั้น จะปรากฏเป็นค่าที่เข้ากับข้อมูลของเราได้อย่างลงตัวนั้นจึง "น้อย" กว่าโมเดลที่มีตัวแปรน้อย
สมัครสมาชิก:
ส่งความคิดเห็น (Atom)
ไม่มีความคิดเห็น:
แสดงความคิดเห็น