本文探讨了人工神经网络在图像识别、语音理解等领域的卓越表现，同时也揭示了其预测结果的高风险性和不可解释性。尽管神经网络能提供优秀的预测结果，但其黑箱特性在关键业务场景下可能引发问题，如金融领域的客户评级。文章建议根据具体业务场景选择合适的模型，并介绍了逻辑回归、支持向量机等算法的优点。
谈到机器学习，很多人自然会联想到人机对弈、自动驾驶、图像识别、疾病诊断等领域的成功案例。人工神经网络的超人般的能力令人咂舌。但是很少有人想到人工神经网络预测结果的高风险性。
从人工神经网的基本原理上来看，无论识别图像、听懂语音，在这些高维大数据情境中，神经网络技术总能输出一些很不错的结果，而其它机器学习算法/模型确实做不到！
但还是没人解释的清，神经网它到底是怎样做到的。人工神经网的训练过程，更像是一种试算式的参数调优，层数和结点数越多，试算的“黑中操作性”越强。但是不管怎么说，最终的测试结果不错就行。这就是神经网最大的特点，也是最大的缺点——“黑箱性”。而这个特点导致结果不可解释，因此在很多领域，如金融领域的客户风险评级，是万万不敢使用神经网模型的，因为你无法向客户说明他为何被抛弃，这会导致大量的投诉，甚至诉讼。
虽然我们通过加大样本数量可以提高神经网络的预测质量，但其本身只求逼近、不讲道理的拟合过程，仍然使其对输入极为敏感，从而出现让人瞠目结舌的错误输出，犯一些其它算法不太可能出现的超级低级错误（泛化能力不好）。
因此在实际应用领域，根据业务场景和样本数据情况选择最合适的模型更为重要，而不要一味的追求所谓的新技术、新算法，像逻辑回归、支持向量机、朴素贝叶斯、决策树以及基于这些基础算法的集成学习算法都是很不算的选择。这些算法结果的可解释性、训练过程的经济性、抵抗干扰的鲁棒性也确保了人工智能技术在应用领域的快速推广。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
