Khi nào học sâu quá mức cần thiết?

Ví dụ, để phân loại email là thư rác, có đáng không - từ góc độ thời gian / độ chính xác - để áp dụng học sâu (nếu có thể) thay vì thuật toán học máy khác? Học sâu sẽ làm cho các thuật toán học máy khác như Bayes ngây thơ không cần thiết?

Đó là tất cả về lợi tức đầu tư . Nếu DL là "đáng làm", nó không quá mức cần thiết.

Nếu chi phí sử dụng DL (chu kỳ máy tính, lưu trữ, thời gian đào tạo) có thể chấp nhận được và dữ liệu có sẵn để đào tạo thì rất dồi dào và nếu lợi thế cận biên so với các thuật toán thay thế là có giá trị, thì DL là một chiến thắng.

Nhưng, như bạn đề xuất, nếu vấn đề của bạn có thể thay đổi được bằng các phương pháp thay thế, đặc biệt là nếu nó đưa ra tín hiệu phù hợp với các phương pháp cổ điển như hồi quy hoặc Bayes ngây thơ, hoặc vấn đề của bạn yêu cầu giải thích tại sao ranh giới quyết định lại ở đâu (ví dụ: cây quyết định) hoặc nếu dữ liệu của bạn thiếu độ dốc liên tục cần thiết của DL (đặc biệt là CNN) hoặc dữ liệu của bạn thay đổi theo thời gian sẽ yêu cầu đào tạo lại định kỳ (đặc biệt là trong các khoảng thời gian không thể đoán trước), thì DL có thể không phù hợp với bạn.

Học sâu là mạnh mẽ nhưng nó không phải là một phương pháp ưu việt hơn bayesian. Họ làm việc tốt trong những gì họ được thiết kế để làm:

Sử dụng học tập sâu:

• Chi phí tính toán rẻ hơn nhiều so với chi phí lấy mẫu (ví dụ: xử lý ngôn ngữ tự nhiên)
• Nếu bạn có vấn đề phi tuyến tính cao
• Nếu bạn muốn đơn giản hóa tính năng kỹ thuật
• Nếu bạn không có phân phối trước (ví dụ: đặt trọng số thành Gaussian ngẫu nhiên). Hoặc bạn làm nhưng bạn không bận tâm đến sự phức tạp.
• Nếu bạn muốn độ chính xác cho tốc độ (học sâu thì chậm)

Sử dụng bayes ngây thơ:

• Nếu bạn có phân phối trước mà bạn muốn sử dụng
• Nếu bạn muốn cập nhật mô hình của mình một cách nhanh chóng và dễ dàng (cụ thể là các mô hình liên hợp)
• Nếu bạn có chức năng khả năng của riêng mình và muốn "kiểm soát" cách chính xác mô hình hoạt động
• Nếu bạn muốn mô hình mô hình phân cấp
• Nếu bạn không muốn điều chỉnh các tham số
• Nếu bạn muốn một mô hình nhanh hơn, cả trong đào tạo và thực hiện
• Nếu bạn muốn đưa ra giả định độc lập
• Nếu bạn muốn ngăn chặn quá mức (đó là một mô hình rất đơn giản)