Например, для классификации электронных писем как спама, имеет ли смысл - с точки зрения времени / точности - применять глубокое обучение (если возможно) вместо другого алгоритма машинного обучения? Сделает ли глубокое обучение ненужными другие алгоритмы машинного обучения, такие как наивный байесовский ?
Это все о возврате инвестиций . Если DL "стоит делать", это не излишне.
Если стоимость использования DL (компьютерные циклы, хранение, время обучения) приемлема, и данных, доступных для обучения, много, и если ценное преимущество перед альтернативными алгоритмами является ценным, то DL является победой.
Но, как вы предлагаете, если ваша проблема поддается альтернативным методам, особенно если она предлагает сигнал, который хорошо согласуется с классическими методами, такими как регрессионный или наивный байесовский, или ваша проблема требует объяснения, почему граница решения находится там, где она есть (например, деревья решений), или если в ваших данных отсутствуют непрерывные градиенты, необходимые для DL (особенно для CNN), или если ваши данные изменяются со временем, что потребует периодической переподготовки (особенно с непредсказуемыми интервалами), то DL, вероятно, является для вас несоответствием.
Глубокое обучение является мощным, но это не лучший метод, чем байесовский. Они хорошо работают в том, что они предназначены для:
Используйте глубокое обучение:
Используйте наивный байесовский: