採用深度神經網路計算的數據量通常要幾筆才足夠?? - Cupoy

2021/05/31 上午 09:33

深度神經網路的基礎知識

Yaoga

觀看數：196

回答數：3

收藏數：0

回答列表

• 2021/05/31 下午 00:19
  Jaio
  贊同數：0
  不贊同數：0
  留言數：2

  第二個問題不知道有沒有一個明確的答案，可能有些論文會提到要幾筆數據量以上才算OK，但是在這邊容我提出淺見，若有任何問題歡迎糾正、討論，一起進步。 我認為神經網路之所以好用就在於我們不清楚「對於未來結果的預測，哪些是重要的指標，哪些不是」，所以希望透過我們設定好(固定它的思維(超參數))的神經網路不斷的「思考(訓練)」後，告訴我們它的想法(權重)，換句話說，一個我們清楚我們清楚相關性的數據，不太需要用到神經網路。 我們回到第一個問題，我認為結果會不相上下，但若使用傳統回歸或機器學習方法會更有效率及可解釋性，所以，在資料少、相關性高的數據下，傳統方法可能略勝一籌。

• 2021/06/05 下午 11:31
  Jeffrey
  贊同數：0
  不贊同數：0
  留言數：0

  上傳一張sheet 提供參考, 基本上, 機器學習跟深度學習都有拿來解回歸的方案, 只是深度學習一般是用既有的網路模型的話, 要考慮權重更新的問題 

• 2021/06/06 上午 00:37
  張維元 (WeiYuan)
  贊同數：1
  不贊同數：0
  留言數：0

  嗨，你好
  一般來說，在大資料量小特徵數時，簡單模型如邏輯迴歸+正則即可。在小資料量多特徵下，整合的樹模型（如隨機森林和xgboost）往往優於神經網路。隨著資料量增大，兩者表現趨於接近，隨著資料量繼續上升，神經網路的優勢會逐步體現。隨著資料量上升，對模型能力的要求增加而過擬合的風險降低，神經網路的優勢終於有了用武之地而整合學習的優勢降低。我在微調：怎麼理解決策樹、xgboost能處理缺失值？而有的模型(svm)對缺失值比較敏感呢? 曾經總結過一些根據資料量選擇模型的經驗： * 資料量很小，用樸素貝葉斯、邏輯迴歸或支援向量機 * 資料量適中或者較大，用樹模型，優先 xgboost和lightgbm * 資料量較大，嘗試使用神經網路
  

  嗨，你好，我是維元，持續在不同的平台發表對 #資料科學、 #網頁開發 或 #軟體職涯 相關的文章。如果對於內文有疑問都歡迎與我們進一步的交流，都可以追蹤 我的粉絲專頁 ヽ(●´∀`●)ﾉ