深度学习何时会过度矫kill过正？

例如，将电子邮件归类为垃圾邮件，从时间/准确性角度来看，是否值得（如果可能）应用深度学习而不是另一种机器学习算法？深度学习是否会使其他机器学习算法（如朴素贝叶斯）变得不必要？

这都是关于投资回报率的。如果DL是“值得做的”，那并不过分。

如果使用DL的成本（计算机周期，存储，培训时间）是可以接受的，并且可用于训练它的数据足够，并且如果相对于替代算法的边际优势很有价值，那么DL就是胜利。

但是，正如您所建议的那样，如果您的问题适合使用替代方法，特别是如果它提供的信号与经典方法（例如回归或朴素贝叶斯）很好地匹配，或者您的问题需要说明为什么决策边界在哪里（例如，决策树），或者如果您的数据缺乏DL所需的连续梯度（特别是CNN），或者您的数据随时间变化而需要定期重新训练（尤其是在不可预测的时间间隔内），那么DL可能对您不匹配。

深度学习功能强大，但并非比贝叶斯方法更好的方法。他们在设计上可以很好地工作：

使用深度学习：

• 计算成本比采样成本便宜得多（例如，自然语言处理）
• 如果您有高度非线性的问题
• 如果要简化特征工程
• 如果您没有先验分布（例如：将权重设置为随机高斯）。或者您可以，但是您不介意复杂性。
• 如果您想提高速度（深度学习很慢）

使用朴素贝叶斯：

• 如果您要使用以前的发行版
• 如果您想快速轻松地更新模型（尤其是魔术模型）
• 如果您拥有自己的似然函数并希望“控制”模型的确切工作方式
• 如果要建模层次模型
• 如果您不想调整参数
• 如果您想要更快的模型，无论是在培训还是在执行
• 如果要进行独立性假设
• 如果要防止过度拟合（这是一个非常简单的模型）