不是所有的问题都适合神经网络预测吗？

有15个人同意答案

从来没有一个模型可以成为“在空中吃东西的绝招”. 神经网络也不例外. 这不是万能药.

一个回忆起以前的事件神经网络预测，一个朋友问我是否可以使用神经网络预测彩票. 当时我的第一个反应是“人们有多么大胆，生产力如何. ”诸如彩票之类的随机事物是无法学习的，就像掷骰子猜单张还是双张一样，您不能使用任何模型.

问题出现了神经网络预测，我们必须首先考虑问题是否可以学习；如果可以学习，那么我们接下来需要考虑哪种假设建模最适合该问题；最后，根据问题机器学习模型的假设选择相应的对象.

例如，我们有一个分类问题，我们对该分类问题的假设是问题是线性可分离的，那么我们应该选择线性分类器（例如，逻辑回归或线性核支持向量机），而不是神经网络.

例如，在说话人识别中，PLDA仍然比神经网络更强大.

没有最好的模型，只有最合适的模型. 就像您用筷子吃饭，用刀割菜，用锅铲做饭一样，即使它是龙刀，用它做饭也不太方便.

神经网络的特点是非线性拟合能力超强. 如果您的问题是非常非线性的并且有足够的数据，则可以考虑神经网络.

此外，神经网络对原始数据更友好，并且可以从原始数据中自动学习有用的功能. 如果您的数据没有明显的语义特征，那就是原始数据，例如图像的像素，您还可以考虑使用神经网络.

大多数传统的机器学习算法都需要特征作为输入. 通常，这些功能需要手动设计，这需要相对较高的经验. 例如，计算机视觉中的各种功能（例如SIFT和HOG）是手动设计的. 设计此类功能非常困难. 神经网络可以自动学习特征，从而消除了手动设计并降低了实践门槛.

于2018-07-19编辑

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-183851-1.html