Kiedy głębokie uczenie się przesada?

15

Na przykład, aby sklasyfikować wiadomości e-mail jako spam, czy warto - z perspektywy czasu / dokładności - zastosować głębokie uczenie się (jeśli to możliwe) zamiast innego algorytmu uczenia maszynowego? Czy głębokie uczenie sprawi, że inne algorytmy uczenia maszynowego, takie jak naiwny Bayes, nie będą potrzebne?

Alexander
źródło

Odpowiedzi:

13

Chodzi o zwrot z inwestycji . Jeśli DL jest „warte zrobienia”, to nie jest przesada.

Jeśli koszt korzystania z DL (cykli komputerowych, przechowywania, czasu szkolenia) jest akceptowalny, a dane dostępne do trenowania są obfite, a jeśli marginalna przewaga nad alternatywnymi algorytmami jest cenna, wówczas DL jest zwycięstwem.

Ale, jak sugerujesz, jeśli twój problem podlega alternatywnym metodom, szczególnie jeśli oferuje sygnał, który dobrze pasuje do klasycznych metod, takich jak regresja lub naiwny Bayes, lub twój problem wymaga wyjaśnienia, dlaczego granica decyzji jest tam, gdzie jest (np. drzewa decyzyjne) lub jeśli w danych brakuje ciągłych gradientów wymaganych przez DL (szczególnie CNN) lub dane zmieniają się w czasie, co wymagałoby okresowego przekwalifikowania (szczególnie w nieprzewidywalnych odstępach czasu), wówczas DL prawdopodobnie jest dla Ciebie niedopasowaniem.

Niespokojny
źródło
12

Głębokie uczenie się jest mocny, ale to nie przełożonego metoda niż Bayesa. Działają dobrze w tym, do czego zostały zaprojektowane:

Użyj głębokiego uczenia się:

  • Koszt obliczeń jest znacznie tańszy niż koszt próbkowania (np .: przetwarzanie języka naturalnego)
  • Jeśli masz bardzo nieliniowy problem
  • Jeśli chcesz uprościć inżynierię funkcji
  • Jeśli nie masz wcześniejszej dystrybucji (np .: ustawianie wag na losowy Gaussa). Lub robisz, ale nie przeszkadza Ci złożoność.
  • Jeśli chcesz dokładności prędkości (głębokie uczenie się jest wolne)

Użyj naiwnego bayesowskiego:

  • Jeśli masz wcześniejszą dystrybucję, której chcesz użyć
  • Jeśli chcesz szybko i łatwo zaktualizować swój model (w szczególności modele z kolorami)
  • Jeśli masz własną funkcję prawdopodobieństwa i chcesz „kontrolować”, jak dokładnie działa model
  • Jeśli chcesz modelować modele hierarchiczne
  • Jeśli nie chcesz poprawiać parametrów
  • Jeśli chcesz szybszego modelu, zarówno podczas szkolenia, jak i wykonywania
  • Jeśli chcesz założyć niezależność
  • Jeśli chcesz zapobiec przeuczeniu (to bardzo prosty model)
Witaj świecie
źródło