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?
Odpowiedzi:
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.
Głębokie uczenie się jest mocny, ale to nie przełożonego metoda niż Bayesa. Działają dobrze w tym, do czego zostały zaprojektowane:
Użyj głębokiego uczenia się:
Użyj naiwnego bayesowskiego: