ディープラーニングの過剰はいつですか？

たとえば、メールをスパムとして分類する場合、時間/精度の観点から、別の機械学習アルゴリズムの代わりにディープラーニング（可能であれば）を適用することは価値がありますか？ディープラーニングは、単純ベイズのような他の機械学習アルゴリズムを不要にしますか？

投資収益率がすべてです。DLが「やりがいのある」ものであれば、やり過ぎではありません。

DL（コンピューターサイクル、ストレージ、トレーニング時間）を使用するコストが許容でき、トレーニングに利用できるデータが十分にあり、代替アルゴリズムに対する限界的な利点が価値がある場合、DLが勝ちます。

しかし、あなたが示唆するように、あなたの問題が代替方法に適している場合、特に回帰または単純ベイズのような古典的な方法とよく一致する信号を提供する場合、または問題は決定境界がどこにあるのかの説明が必要な場合（例えば決定木）、またはデータにDLが必要とする連続的な勾配がない場合（特にCNN）、またはデータが定期的に再トレーニングを必要とする時間とともに変化する場合（特に、予測できない間隔で）、DLはおそらく不一致です。

ディープラーニングは強力ですが、ベイジアンよりも優れた方法ではありません。彼らは彼らがするように設計されているものでうまく機能します：

ディープラーニングを使用する：

• 計算のコストはサンプリングのコストよりもはるかに安い（例：自然言語処理）
• 非常に非線形の問題がある場合
• 機能エンジニアリングを簡素化する場合
• 事前分布がない場合（例：重みをランダムガウスに設定）。または、あなたはそうしますが、複雑さは気にしません。
• 速度の精度が必要な場合（深層学習が遅い）

単純なベイジアンを使用します。

• 使用したい事前配布がある場合
• モデルを迅速かつ簡単に更新する場合（特にconjourモデル）
• 独自の尤度関数があり、モデルの正確な動作を「制御」したい場合
• 階層モデルをモデル化する場合
• パラメーターを微調整したくない場合
• トレーニングと実行の両方で、より高速なモデルが必要な場合
• 独立性を仮定したい場合
• 過剰適合を防ぎたい場合（これは非常に単純なモデルです）