गहरी सीख ओवरकिल कब है?


15

उदाहरण के लिए, ईमेल को स्पैम के रूप में वर्गीकृत करने के लिए, क्या यह सार्थक है - एक समय / सटीकता के नजरिए से - एक और मशीन लर्निंग एल्गोरिदम के बजाय गहरी सीखने (यदि संभव हो) को लागू करने के लिए ? क्या गहरी सीखने से अन्य मशीन लर्निंग एल्गोरिदम जैसे भोले बेज़ अनावश्यक हो जाएंगे ?

जवाबों:


13

यह रिटर्न ऑन इन्वेस्टमेंट के बारे में है । यदि DL "करने योग्य" है, तो यह ओवरकिल नहीं है।

यदि DL (कंप्यूटर चक्र, भंडारण, प्रशिक्षण समय) का उपयोग करने की लागत स्वीकार्य है, और इसे प्रशिक्षित करने के लिए उपलब्ध डेटा भरपूर है, और यदि वैकल्पिक एल्गोरिदम पर सीमांत लाभ मूल्यवान है, तो DL एक जीत है।

लेकिन, जैसा कि आप सुझाव देते हैं, यदि आपकी समस्या वैकल्पिक तरीकों के लिए उत्तरदायी है, खासकर अगर यह एक संकेत प्रदान करता है जो प्रतिगमन या भोले बेसेस जैसी क्लासिक विधियों के साथ अच्छी तरह से मेल खाता है, या आपकी समस्या के स्पष्टीकरण की आवश्यकता है कि निर्णय सीमा क्यों है? निर्णय पेड़), या यदि आपके डेटा में DL (विशेष रूप से, CNN) द्वारा आवश्यक निरंतर ग्रेडिएंट्स की कमी है, या आपका डेटा समय के साथ बदलता रहता है, जिसके लिए समय-समय पर रिट्रेनिंग की आवश्यकता होती है (विशेषकर अप्रत्याशित अंतराल पर), तो DL शायद आपके लिए एक बेमेल है।


12

डीप लर्निंग शक्तिशाली है लेकिन यह बायेसियन से बेहतर तरीका नहीं है। वे जो काम करने के लिए तैयार किए गए हैं, उसमें अच्छी तरह से काम करते हैं:

गहरी शिक्षा का उपयोग करें:

  • गणना के लिए लागत नमूनाकरण की लागत से बहुत सस्ती है (उदाहरण के लिए: प्राकृतिक भाषा प्रसंस्करण)
  • यदि आपको अत्यधिक गैर-रैखिक समस्या है
  • यदि आप फीचर इंजीनियरिंग को सरल बनाना चाहते हैं
  • यदि आपके पास पूर्व वितरण नहीं है (जैसे: यादृच्छिक गाऊसी के लिए वजन सेट करना)। या आप करते हैं लेकिन आप जटिलता को बुरा नहीं मानते हैं।
  • यदि आप गति के लिए सटीकता चाहते हैं (गहरी शिक्षा धीमी है)

भोले बासीयन का उपयोग करें:

  • यदि आपके पास पूर्व वितरण है जिसे आप उपयोग करना चाहते हैं
  • यदि आप अपने मॉडल को जल्दी और आसानी से अपडेट करना चाहते हैं (विशेष रूप से मॉडल मॉडल में)
  • यदि आपके पास अपना स्वयं का संभावना कार्य है और "नियंत्रण" की इच्छा है कि मॉडल कैसे काम करता है
  • यदि आप पदानुक्रमित मॉडल बनाना चाहते हैं
  • यदि आप मापदंडों को मोड़ना नहीं चाहते हैं
  • यदि आप एक तेज़ मॉडल चाहते हैं, तो प्रशिक्षण और निष्पादन दोनों में
  • यदि आप स्वतंत्रता को धारणा बनाना चाहते हैं
  • यदि आप ओवरफिटिंग को रोकना चाहते हैं (यह एक बहुत ही सरल मॉडल है)
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.