Quand l'apprentissage en profondeur est-il excessif?

Par exemple, pour classer les e-mails comme spam, est-il utile - du point de vue du temps / de la précision - d'appliquer un apprentissage en profondeur (si possible) au lieu d'un autre algorithme d'apprentissage automatique? L'apprentissage en profondeur rendra- t-il inutiles d' autres algorithmes d'apprentissage automatique comme les Bayes naïfs ?

Tout est question de retour sur investissement . Si DL "vaut la peine d'être fait", ce n'est pas exagéré.

Si le coût d'utilisation de DL (cycles informatiques, stockage, temps de formation) est acceptable et que les données disponibles pour le former sont abondantes, et si l'avantage marginal par rapport aux algorithmes alternatifs est précieux, alors DL est une victoire.

Mais, comme vous le suggérez, si votre problème se prête à des méthodes alternatives, en particulier s'il offre un signal qui correspond bien aux méthodes classiques comme la régression ou les Bayes naïfs, ou si votre problème nécessite une explication de la raison pour laquelle la limite de décision est là où il se trouve (par exemple arbres de décision), ou si vos données n'ont pas les gradients continus nécessaires à DL (en particulier, les CNN), ou si vos données varient au fil du temps, ce qui nécessiterait un recyclage périodique (en particulier, à des intervalles imprévisibles), alors DL est probablement un décalage pour vous.

L'apprentissage en profondeur est puissant mais pas une méthode supérieure au bayésien. Ils fonctionnent bien dans ce qu'ils sont conçus pour faire:

Utilisez l'apprentissage en profondeur:

• Le coût du calcul est beaucoup moins cher que le coût de l'échantillonnage (par exemple: traitement du langage naturel)
• Si vous avez un problème hautement non linéaire
• Si vous souhaitez simplifier l'ingénierie des fonctionnalités
• Si vous n'avez pas de distribution préalable (par exemple: définir les poids sur une gaussienne aléatoire). Ou vous le faites mais cela ne vous dérange pas de la complexité.
• Si vous voulez de la précision pour la vitesse (le deep learning est lent)

Utilisez le bayésien naïf:

• Si vous avez une distribution antérieure que vous souhaitez utiliser
• Si vous souhaitez mettre à jour votre modèle rapidement et facilement (en particulier les modèles conjour)
• Si vous avez votre propre fonction de vraisemblance et souhaitez "contrôler" le fonctionnement exact du modèle
• Si vous souhaitez modéliser des modèles hiérarchiques
• Si vous ne souhaitez pas modifier les paramètres
• Si vous voulez un modèle plus rapide, à la fois en formation et en exécution
• Si vous voulez faire l'hypothèse d'indépendance
• Si vous voulez éviter le sur-ajustement (c'est un modèle très simple)