- 神经网络取得成功的三个原因
- 能够进行逐层处理;
- 处理过程中有特征内部的变化;
- 算法模型的复杂度足够高。
- machine learning 相关
- 机器学习里面用到的所有模型,它必须具有万有逼近能力。
- 随机森林、BP算法性能较好。
- 神经网络优势在图像、视频、声音这几类典型任务上比较明显,而在其它涉及到混合建模、离散建模、符号建模的任务上,神经网络的性能比其它模型还要差一些。
- gcForest(模型跨任务特点)
- 基于树模型的方法,主要是借用集成学习的很多想法。
- 在很多不同的任务上,它的模型得到的结果和深度神经网络是高度相似的,除了一些大规模的图像等等。
- 可以用同样一套参数,用在不同的任务中得到不错的性能,就不需要逐任务的慢慢调参数。
- 自适应的模型复杂度,可以根据数据的大小自动来判定该模型长到什么程度。