传统机器学习和深度学习

一、定义

机器学习通常分为传统机器学习（也称为经典机器学习）和深度学习两大类：

1. 传统机器学习：

   • 主要基于特征工程，即从数据中提取有意义的特征来进行建模。
   • 包括算法如线性回归、逻辑回归、决策树、随机森林、支持向量机（SVM）、K近邻（KNN）、朴素贝叶斯等。
   • 适用于结构化数据，比如表格数据。
   • 需要人工设计特征，并且在大规模数据集上表现不如深度学习。

2. 深度学习：

   • 基于神经网络，特别是深度神经网络（DNN），可以自动从数据中学习特征。
   • 包括卷积神经网络（CNN）、循环神经网络（RNN）、变压器（Transformer）等。
   • 在图像处理、自然语言处理等任务上表现优异，尤其在大规模数据和复杂问题中。
   • 不需要显式的特征工程，而是通过多层网络自动学习数据中的复杂模式。

深度学习是传统机器学习的一个子集，属于一种更加复杂和强大的学习方式。

---

二、区别

传统机器学习和深度学习是两种不同的机器学习范式，它们在多个方面存在差异。以下是一些主要的区别：

1. 数据量

• 传统机器学习：通常适用于中小规模的数据集。当数据量较少时，传统