决策树与神经网络

我正在实现一种机器学习结构，以尝试预测诸如银行等金融系统上的欺诈行为。这意味着可以使用许多不同的数据来训练模型。卡号，持卡人姓名，金额，国家等...

我在确定哪种结构最适合此问题时遇到了麻烦。我对决策树有一些经验，但是目前我开始质疑神经网络是否可以更好地解决此类问题。另外，如果有其他任何最佳方法，请随时启发我。

每个结构的优缺点是什么，哪种结构最适合该问题？

我也不确定这个事实，但是我认为决策树在执行速度方面比神经网络有很大的优势。这很重要，因为速度也是该项目的关键因素。

两者之间有许多差异，但实际上，要考虑三个主要方面：速度，可解释性和准确性。

决策树

• 训练后应该更快（尽管两种算法都可以根据精确算法和数据量/维数缓慢训练）。这是因为决策树会固有地“丢弃”它认为不有用的输入特征，而神经网络将全部使用它们，除非您进行某些特征选择作为预处理步骤。
• 如果重要的是要了解模型在做什么，这些树就很容易解释。
• 仅模型函数是数据的轴平行拆分，而事实并非如此。
• 您可能要确保修剪树，以免过度拟合。

神经网络

• 速度较慢（用于训练和分类），并且难以解释。
• 如果数据以流的形式到达，则可以使用随机梯度下降来进行增量更新（与决策树不同，决策树固有地使用批处理学习算法）。
• 可以建模更多任意函数（非线性相互作用等），因此，如果有足够的训练数据，则可能会更加准确。但它也可能容易过拟合。

您可能要尝试同时实现这两种方法，并对数据进行一些实验，以查看哪种方法更好，并确定运行时间基准。或者，您可以使用类似Weka GUI（带有代表性数据样本）的东西来测试两种方法。

也可能是，将“装袋”或“增强”算法与决策树一起使用将提高准确性，同时保持一些简单性和速度。简而言之，如果速度和可解释性确实很重要，那么树木可能是起点。否则，取决于情况，您将需要进行一些经验探索。