去后台更新一下网站,口碑营销的方法,创建购物平台需要什么,正能量网站入口直接进入下载来源#xff1a;知乎原文链接#xff1a;深度学习系统相比较传统的机器学习系统#xff0c;针对常见的分类问题#xff0c;精度究竟能有多大提升#xff1f; 问题#xff1a; 我现在手头有一个binary classification的问题。数据量在一百万左右。每个sample都是一个14个f… 来源知乎原文链接深度学习系统相比较传统的机器学习系统针对常见的分类问题精度究竟能有多大提升 问题 我现在手头有一个binary classification的问题。数据量在一百万左右。每个sample都是一个14个feature组成的vector。每个feature都是一个01的float数值。 我用random forest 1000棵树grid search 调参数。10 fold validation 大概76% 左右的precision/recall . 我是一个机器学习的外行但是比较好奇如果我用一些深度学习的系统比方说TensorFlow针对我描述的这种二项分类的问题我能否期盼着会有一个准确度的显著提升 如果可以有这样的预期一般大家都是怎么做的呢 我手头的机器就是一台128G 32核的服务器。好像暂时没有别的好机器了。够用么 我描述清楚了么 恳请大家给予指导谢谢 我爱机器学习回答 先分析下问题100万训练数据14个特征如果你的特征表征能力牛逼数据偏差不大机器学习书里面随便挑个分类算法90%精度不在话下但现在模型能力很强的随机森林都只能到76%左右那么肯定哪里出了问题问题在哪里看case是王道。当然这个问题中特征表征能力不够可能性比较大那接下来的事情就是特征工程找什么样的特征依然是看case看看badcase是因为缺失什么样的特征导致紧紧围绕问题本身。 连续特征的二分类问题除了数据本身和特征工程模型方面GBDT系列应该是非常合适的选择这块无需细说翻翻Kaggle就知其厉害。 不要在当前阶段跳出来寻觅炒上天的Deep Learning的帮助Deep Learning确实足够强大但它有自己的适用场景比如人脸识别/OCR之类的视觉应用如果是这类应用那就直接上Deep Learning就好。 那么二分类或者多分类的传统机器学习问题特征为整数/浮点数/枚举等类型时上Deep Learning到底搞得过传统机器学习算法不答案依然是需要具体问题具体分析。1. 有些问题手写规则足以秒杀一切只要规则击中要害就好2. 有些数据量非常大特征工程足够细致时模型的重要性变得相对次要LR系列广义线性模型足以满足需求比如广告点击预测很长时期都是LR/BPR/FTRL之类为主要模型只是特征工程中可能广泛用到LDA/Deep Learning等模型3. 当然还有些问题比如判断图片是不是汽车的二分类问题只要标注数据到位Deep Learning可以本色出演了。 转载于:https://www.cnblogs.com/DjangoBlog/p/7795073.html
