딥 러닝은 언제 과잉 상태입니까?

예를 들어, 이메일을 스팸으로 분류하는 경우 시간 / 정확성 관점 에서 다른 머신 러닝 알고리즘 대신 딥 러닝 을 적용하는 것이 가치가 있습니까? 딥 러닝은 순진한 베이 즈와 같은 다른 머신 러닝 알고리즘을 불필요하게합니까?

투자 수익 에 관한 모든 것 . DL이 "가치가있는"경우 과잉이 아닙니다.

DL (컴퓨터주기, 저장, 교육 시간) 사용 비용이 수용 가능하고이를 훈련하는 데 사용할 수있는 데이터가 충분하고 대체 알고리즘에 비해 한계 이점이 있다면 DL이 승리합니다.

그러나 제안한 바와 같이, 문제가 다른 방법으로 대체 될 수있는 경우, 특히 회귀 또는 순진한 베이 즈와 같은 고전적인 방법과 잘 일치하는 신호를 제공하는 경우 또는 문제의 결정 경계가 어디에 있는지에 대한 설명이 필요한 경우 (예 : 의사 결정 트리) 또는 데이터에 DL (특히 CNN)에 필요한 연속 그라디언트가 없거나 시간에 따라 주기적 재교육이 필요한 (특히 예측할 수없는 간격으로) 데이터가 변하는 경우 DL이 불일치 할 수 있습니다.

딥 러닝은 강력하지만 그렇지 않습니다 베이지안보다 우수한 방법 . 그들은 그들이하기 위해 설계된 것에서 잘 작동합니다 :

딥 러닝 사용 :

• 계산 비용은 샘플링 비용보다 훨씬 저렴합니다 (예 : 자연어 처리).
• 비선형 문제가 심한 경우
• 기능 엔지니어링을 단순화하려는 경우
• 사전 분배가없는 경우 (예 : 가중치를 임의 가우스로 설정) 또는 당신은하지만 복잡성을 신경 쓰지 않습니다.
• 속도의 정확성을 원한다면 (딥 러닝이 느림)

순진 베이지안 사용 :

• 사용하려는 이전 배포판이있는 경우
• 모델을 빠르고 쉽게 업데이트하려면 (특히 conjour 모델)
• 자신 만의 우도 함수를 가지고 있고 모델이 정확히 어떻게 작동하는지 "제어"하고자
• 계층 적 모델을 모델링하려는 경우
• 파라미터를 조정하지 않으려는 경우
• 훈련과 실행 모두에서 더 빠른 모델을 원한다면
• 독립성 가정을 원한다면
• 과적 합을 방지하려는 경우 (매우 간단한 모델)