유사성
기본적으로 두 가지 유형의 알고리즘은 머신 러닝 응용 프로그램의 일반적인 질문에 대한 답변을 위해 개발되었습니다.
주어진 예측 변수 (인수) 성능을 높이기 위해이 요인들 간의 교호 작용을 통합하는 방법은 무엇입니까?엑스1, x2, … , x피
한 가지 방법은 단순히 새로운 예측을 소개하는 것입니다 : 하지만이 때문에 매개 변수의 큰 숫자와 상호 작용의 매우 구체적인 유형에 나쁜 생각을 증명한다.엑스p + 1= x1엑스2, xp + 2= x1엑스삼, ...
다단계 모델링과 딥 러닝 알고리즘 모두 훨씬 더 똑똑한 상호 작용 모델을 도입하여이 질문에 대답합니다. 그리고이 관점에서 그것들은 매우 유사합니다.
차
이제 그들 사이에 큰 개념적 차이점이 무엇인지 이해하려고 노력하겠습니다. 몇 가지 설명을하기 위해 각 모델에서 가정을 가정 해 봅시다.
1
2
근본적인 차이점은 Deep Learning에서 "상호 작용의 구조를 알 수 없음" 이라는 문구에서 비롯됩니다 . 우리는 상호 작용 유형에 대해 몇 가지 사전 가정을 할 수 있지만, 알고리즘은 학습 절차 동안 모든 상호 작용을 정의합니다. 반면에, 우리는 다단계 모델링을위한 상호 작용의 구조를 정의해야합니다 (나중에 모델의 매개 변수 만 변경하는 방법을 배웁니다).
예
엑스1, x2, x삼{ x1}{ x2, x삼}
엑스1엑스2엑스1엑스삼엑스2엑스삼
예를 들어, 숨겨진 레이어가 2 개이고 선형 활성화 기능이 있는 다층 RBM (Restricted Boltzmann) 머신의 딥 러닝에서는 3 이하의 학위로 가능한 모든 정치적 상호 작용이 가능합니다.
일반적인 장점과 단점
다단계 모델링
(-) 상호 작용의 구조를 정의해야
(+) 결과는 일반적으로 이해하기 쉽다
(+) 통계 방법을 적용 할 수 있습니다 (신뢰 구간 평가, 가설 점검)
딥 러닝
(-) 훈련에 많은 양의 데이터가 필요합니다 (및 훈련 시간도 필요)
(-) 결과는 일반적으로 해석하기 불가능합니다 (블랙 박스로 제공)
(+) 전문 지식이 필요하지 않습니다
(+) 한 번 잘 훈련되면 일반적으로 대부분의 다른 일반적인 방법보다 성능이 우수합니다 (응용 프로그램 별 아님)
그것이 도움이되기를 바랍니다!