Debo decir que estoy respondiendo desde la perspectiva de un profesional de la ciencia de datos que aplica ML a problemas de regresión del mundo real, no un especialista en aprendizaje profundo.
Algunas preguntas prácticas primero:
- ¿Cuántos ejemplos de entrenamiento tienes?
- ¿Cuál es la dimensión de sus datos?
- ¿Sus datos están estructurados o no (imágenes, texto, audio, etc.)?
Si tiene muchos ejemplos de entrenamiento (piense en el orden de millones) y datos no estructurados de alta dimensión, entonces las redes neuronales son un buen enfoque. Simplemente use una activación lineal en la etapa de salida y elija la mejor arquitectura para el resto de la red en función del problema en cuestión.
- ¿Qué chatbots te engañaron haciéndote creer que eran humanos?
- ¿Es posible hacer un programa que pueda cuestionar quién, qué, cuándo, dónde y / y por qué y luego hacer que vuelva a la memoria anterior al ingresar?
- ¿Qué ha hecho DeepMind desde su adquisición por parte de Google?
- ¿Cuáles son exactamente los algoritmos de IA utilizados en Five Nights at Freddy's?
- ¿Qué sucederá desde un punto de vista científico si dejamos que la IA altere el genoma humano?
Pero, sinceramente, la mayoría de los problemas de regresión no cumplen con los criterios anteriores. Para los datos de entrenamiento de tamaño medio con características estructuradas y de ingeniería, es probable que obtenga un rendimiento mucho mejor de los árboles de decisión impulsados por gradiente. Esto cubre muchos dominios que encontrará en un contexto comercial que requieren regresión, como la predicción de precios utilizando datos de una base de datos relacional.
Para un pequeño número de ejemplos de entrenamiento y solo dos dimensiones, podría estar mejor con algo como una loess o una regresión lineal. Para series de tiempo univariadas con pocos ejemplos de entrenamiento, podría estar mejor con un modelo ARIMA. Y así sucesivamente.
No estamos en el punto donde las redes neuronales son automáticamente superiores para cada clase de problema, al menos en ningún sentido práctico.