您的位置:首页 > 大数据

大数据环境下的模型和特征(深度学习Vs传统的机器学习)

2015-05-03 21:16 483 查看
http://pan.baidu.com/share/link?shareid=338819&uk=2267174042

传统的机器学习:

1、主要靠人工经验抽取样本特征,而模型主要是为了负责分类或预测。

2、模型不出错,特征的好坏决定了整个系统的性能瓶颈。

3、开发团队的主要精力是挖掘与问题最相关的特征,这种人工设计的特征,一般可扩展性不强(挖掘特征数量有限;主要靠经验)。

大数据环境下的深度学习的实质:

1、通过构建很多隐含层的机器学习模型和海量的训练数据,来让模型自动学习最有效的特征!!!

2、模型是挖掘特征的手段,除了分类和预测,自动学习特征也是模型的主要任务。(即特征挖掘也实现了自动化)。

3、本质上,深度学习是通过很多隐含层,将样本在原空间的特征映射为新空间的特征(但又不同于传统的人工设定的降维/增维方法),进而使分类和预测更加准确。

4、这种利用大数据来自动的学习特征,要比人工构造特征,更能有效的表示数据丰富的内在信息。

总结:

1、在大数据时代(尤其针对大公司),深度学习将更加有效。

2、传统的简单模型,适合于做理论研究。
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: 
相关文章推荐