树模型和神经网络比较

模型的选择上来看：

1、如果不强调绝对的解释度，尽量避免单课决策树，用集成树模型；
2、在集成树模型上，优先用xgboost；
3、在中小数据集上，优先选择集成树模型。大数据集上用神经网络；
4、在需要模型解释度的项目上，优选使用树模型；
5、在项目时间较短的项目上，如果数据质量低（大量缺失值、噪音等），优先使用集成树模型；
6、在硬件条件有限以及机器学习知识有限的前提下，优选选择树模型；
7、对于结构化较高的数据，尤其是语音、图片、语言等，优先使用神经网络模型。

一般来说，在小数据集多特征下，集成的树模型往往由于神经网络。随着数据量增大，两者接近，随着数据量继续上升，神经网络的优势会逐步体现。

模型的本质来看：

1、数据量：神经网络一般需要大数据量，而小数据量上树模型有优势。
2、特征工程：神经网络需要更苛刻的数据准备工作。树模型不用（缺失值处理，数据类型转换，数据缩放归一化、初始化学习率参数等的调整）。
3、调参难度：集成树模型需要（i）基学习器数量（ii）考虑特征数（iii）最大深度等等。而神经网络调参则复杂许多。
4、模型的可解释性：神经网络的可解释性比较差。而一般xgboost都有特征重要性的排序等等。
5、模型的预测能力：大中型数据上模型表现相似，随着数据量增加，神经网络的潜力也越大。
6、项目周期：神经网络一般需要更多的时间，同时还需要硬件支持。

一般来说，小数据量多特征的时候，集成树模型优于神经网络；随着数据量增大，两者表现相似；随着数据量增加，神经网络的优势会逐渐体现出来。