生了意想不到的有用结果。
这种类型的信息对一个政党来说可能大有用处：民主党不应该把注意力集中在传统的自由媒体上，而应把精力集中在获取哈利·波特迷们的投票上；共和党人则可以把目标锁定在喝星巴克咖啡的人和去野营的人身上。至于LadyGaga的粉丝，双方都应该小心翼翼地对待。但基于脸书的回归模型的准确性似乎超越了传统方法，虽然它们很难进行直接比较。例如，在上文提到的对1987年英国大选的研究中，研究人员发现，一个认为通货膨胀率处于低位的65岁中产阶级男性选民，倾向于支持保守党而非工党的概率是79%。所以一个认为这些典型的工党支持者（Tories）会拥护保守党的模型，其出错率至少是21%。
到目前为止，对亚历山大·尼克斯和剑桥分析公司来说，一切都还算顺利。但在我们继续下一步之前，我们需要更仔细地审视回归模型的一些局限。
首先，所有的回归模型都有一个最根本的局限性。请记住，算法输出的不是非此即彼的结果。正如我们在图5.i中所看到的，它也不能完美地呈现数据。我们不能指望一个模型能百分之百准确地揭示你的政治观点。不管剑桥分析公司还是其他任何一个人，都不可能通过查看你的脸书数据，得出万无一失的结论。除非你碰巧就是巴拉克·奥巴马或特雷莎·梅（TheresaMay）本人。换言之，分析师能做的最多就是用回归模型，对你持有某一个特定观点的可能性给出一个概率。
虽然回归模型能够比较精准地对铁杆民主党人和共和党人做出判断—正如我之前所述，准确性大约是85%—然而关于这些选民的预测在政治竞选中用处并不是很大。已知的政党支持者，其选票或多或少是板上钉钉的，因此他们没有必要成为拉票的目标。事实上，在我的回归模型使用的数据中，有76%的人并未登记他们的政治偏向和党派忠诚度，但我用来拟合脸书数据的回归模型并未对此做出反应。虽然数据显示民主党人倾向于喜欢哈利·波特，但这并不一定意味看其他的哈利·波特迷们也喜欢民主党。这是所有统计分析所固有的问题，那就是潜在的因果混淆问题。
被算法操控的生活
44