Patrzę na to, jakie są plusy i minusy używaniazarówno drzewo decyzyjne, jak i sieć neuronowa dla zbioru danych. Szukałem w Internecie, próbując znaleźć odpowiedzi, ale wszystko, co wydaje mi się znajdować, to zalety i wady każdego z nich. Zasadniczo próbuję ustalić, dlaczego drzewo decyzyjne i sieć neuronowa byłyby dobre dla szczególny zestaw danych. Zakładam, że jeśli zbiór danych jest duży lub mały, wartości odstające i brakujące będą miały wpływ na to, czy korzystanie z drzew decyzyjnych, czy sieci neuronowych jest dokładne lub mniej dokładne.
Odpowiedzi:
0 dla odpowiedzi № 1Oto jak myślę o wyborze modelu uczenia maszynowego:
1) Sieci neuronowe są najbardziej elastyczne, co może być dobre lub złe. W przypadku zadań, w których masz miliony przykładów treningu, sieć neuronowa ogólnie będzie działać najlepiej.
2) Jeśli masz kilka przykładów treningu (np10 lub mniej przykładów szkoleniowych na wymiar Twojego wektora cech), wtedy sieć neuronowa będzie zagrożona przeuczeniem. Model z mniejszą elastycznością, taki jak drzewo decyzyjne lub naiwny Bayes, może wykonać lepszą pracę. Mimo to, możesz nadal używać sieci neuronowej w tych przypadkach, jeśli ostrożnie dostrajasz metaparametry, aby zmniejszyć przeuczenie.
3) Jeśli masz kilka przykładów ćwiczeń, ORAZPodstawowe zjawisko, które próbujesz modelować jest zbyt skomplikowane, aby modelować z prostymi granicami decyzyjnymi, wtedy żaden z modeli ogólnych nie będzie dobrze działał, ale jeśli masz aprioryczną wiedzę o tym zjawisku (np. jeśli znasz formę fizyki równanie, które go opisuje), możesz stworzyć swój własny model i wytrenować jego nieznane parametry ze spadkiem gradientu.
Bezpłatny kurs nauki maszynowej Andrew Ng to dobry zasób, który mówi o niektórych regułach i intuicji związanych z przeuczeniem i wyborem modelu.