想让机器学习与商业结合，最重要的是什么？(19)_全文共6008字

\n \n

图片来源：machinelearningmastery.com

\n \n

那么，这是否意味着深度学习是处理所有机器学习问题的万金油呢？并不是。原因如下：

\n \n

简洁性

\n \n

神经网络模型的结果十分依赖其结构以及超参数。大多数情况下，要正确调整模型，你需要有网络建构方面专业知识。另外，在此方面试错的步骤也非常重要。

\n \n

可解释性

\n \n

如上文提到，相当一部分实际案例不仅需要做出预测，还需要解释预测背后的原因：为什么贷款申请被拒绝？为什么保险政策价格提高？尽管基于树型结构和基于系数的算法可以解释，神经网络却不行。

\n \n

质量

\n \n

从经验来看，对于大多数结构化的数据集，神经网络模型的质量并不一定比RandomForests和XGBoot的模型质量更好。当涉及散乱数据（如图像、文本、音频）时，深度学习的优势更为突出。底线是：不要用猎枪去打苍蝇。 RandomForests和XGBoot等机器学习算法已经足以处理大多数结构化的可监测的问题，而这些算法也更容易调整、运用和解释。深度学习在散乱数据问题和强化学习方面的作用不言而喻。