1樓：
個人覺得機器學習演算法和深度學習演算法各有優劣，人類的智慧型到這個程度應該是兩者的能力都有具備的，有乙個平台實踐比較好，據說有乙個BOT大賽，還可以領取udacity的優惠券，
2樓：「已登出」
同意xgboost，簡單快捷。我猜直接套演算法能提高到85%,也就幾個小時就能出結果。要用deeplearning時間就久了
3樓：徐夫人的夫人
樓主的資料特徵維數並不高，所以完全沒有必要用DL複雜的訓練方法處理這些資料。如果對自己提取到的資料特徵有足夠信心的話，xgboost或random forest, LR這樣的方法應該是綽綽有餘了。事實上，DL更多用於處理影象、語音等特徵冗餘度大的訊號，通過自學習方式得到層級組合特徵最終用於分類或識別任務。
4樓：
講道理， 影象用神經網路好是因為影象的特徵本來就不好抽。
至於說什麼爆隨機森林的， 14維特徵怎麼爆，你給我爆爆看？ 與其說用神經網路，還不如多做特徵工程，畢竟你就是上了分類器，badcase也是要干預的，在這點上，普通分類器可控的多。
當然，我水平不行，還是按照大神說的多用log loss 的mlp吧。
友情提示一下，某些大神提到的神經網路技術二十年前就有，為什麼還是那麼多人用隨機森林和邏輯回歸， 可能因為大家都菜逼吧。
5樓：Tlon
Tensor Flow也好，Theano也好，更像是整合了多種學習演算法的包，和你用的RF不是乙個東西。。至於模型的選擇，要看具體問題和場景。分類效果的好壞，不僅僅在於模型，還有資料預處理和特徵工程。
能夠用於解決二分類問題的模型有很多，除了RF之外，效果好又廣泛使用的還有LR和GBDT(各大競賽必備),或者多種模型進行ensemble，不一定非要上深度學習模型。
6樓：理查德帕克
深度學習目前而言在影象，語音，自然語言這類資料的分類問題上有較大突破，在通常型別的資料上似乎沒有出現飛躍性的提公升，往往容易過擬合，在我看來，一般型別資料的話隨機森林或者boosting往往更好，這類演算法允許直接對離散的類別型資料做決策，而深度學習首先需要對離散特徵做處理，可以說forest或者boosting更普適，但是如果特徵做的好，我相信應該神經網路應該不會差的。
7樓：
樓上說mlp爆掉random forest的，不知道為啥對mlp這麼有信心…
其實樓主對機器學習並不是很熟悉，而神經網路的設計恰好需要經驗和大量除錯。我覺得現在最靠譜的事情就是試一下陳天奇大神的xgboost，上手快，效果好。比調mlp靠譜多了。。。
我是DL粉，但我覺得DL並不是萬能的。
8樓：dashenswen
為何不試下svm 首先緯度很小算起來比較快，其次svm做binary classification準確率比較高（multiclass的分類方法有自身問題），而且可以嘗試不同的核計算
現在有現成的包可以使用，直接呼叫就能看出效果好壞了
9樓：陽陽
一般而言，維度低小資料量用普通機器學習方法更好。用深度學習很容易過擬合。
分類問題，最主要的問題不是分類器選哪個，雖然好的分類器可以提公升效果。更重要的是特徵提取，深度學習成功之處在於它可以自動學習需要的特徵。
10樓：
脫離具體問題，空泛的談論「什麼學習演算法更好」毫無意義。
學習演算法自身的歸納偏好與問題是否相配，往往會起到決定性的作用—— 周志華《機器學習》
如果沒人做過與題主問題相關的工作，那只有跑個分看看才知道效果了啊
學深度學習有沒必要把傳統機器學習演算法原理都學一遍？
沒有必要。推薦使用deep learning for computer vision with python，一本書完成從入門到精通。即使少量地方需要ml的知識，臨時補都可以。各個學科有交叉的時候，只需要補充交叉部分，多了的不要去管，快速達成目標最重要。即使就業導向，需要補ml以應對面試，那也與dl...
新型桌遊相比較傳統的麻將撲克幼稚嘛？
感覺和幼稚與否是無關的問題。越具象的遊戲記憶規則越繁雜，變化越少 越抽象的遊戲越容易上手，變化越多。工作後沒時間上手更具象的遊戲 更具象的遊戲玩多了也更容易膩。所以大概年紀越大大概會越傾向去玩更抽象的遊戲吧。 楊喆 他們之所以能把麻將和撲克打到三四十歲，因為他們來錢。你要他們打綠色麻將，五分鐘就不耐...
傳統機器學習如svm和深度學習的根本區別是什麼？
AI落地工程師 機器學習有感知機 統計學習 神經網路等方向，其中深度學習屬於神經網路分支。傳統機器學習方法，比如SVM,一般需要人工設計訓練所需的特徵，當然深度學習網路的featuremap也可以作為SVM的訓練特徵。深度學習主要靠深層神經網路來自動學習特徵，然後採用傳統機器學習進行分類，或者其他分...