Bueno, la definición de “exitoso” es importante, aquí. Las redes bayesianas son posiblemente más exitosas que las redes neuronales profundas hasta la fecha. Se aplican ampliamente en todas las industrias y se pueden usar fácilmente para inferencia, modelado y predicción.
Presumiblemente, su pregunta es realmente “por qué las redes bayesianas son menos precisas en la predicción y / o menos flexibles que las redes neuronales profundas”. Vea el último párrafo: están construidas para diferentes propósitos con diferentes necesidades y teorías subyacentes en mente.
Una comparación rápida: las redes bayesianas son, desde el principio, modelos de sistemas, mientras que las redes neuronales profundas son la materia prima a partir de la cual los modelos se construyen de manera automatizada. Usted, el científico de datos, construye la red bayesiana (excepto si está utilizando una metodología automatizada), mientras que solo proporciona la arcilla a partir de la cual se construirá el modelo para la red neuronal.
- Proyectos para el procesamiento del lenguaje natural y herramientas de lenguaje para un lenguaje índico
- ¿Es C ++ un buen lenguaje para el aprendizaje automático?
- ¿Cuáles son algunos documentos de investigación de inicio sobre búsqueda, aprendizaje automático y recuperación de información?
- ¿Hay alguna manera de probar el límite de precisión teórica para clasificar un conjunto de datos en particular? O, ¿hay alguna forma de confirmar que la calidad de los datos es insuficiente para un problema?
- ¿El bosque aleatorio funciona con variables categóricas?
Por lo tanto, las redes bayesianas se entienden, diagnostican y modifican fácilmente simplemente mirando los parámetros del modelo entrenado. Eso es lo que los convierte en un “ganador” bajo ciertos criterios.
Por otro lado, están naturalmente limitados por la estructura que les asignó el científico de datos, que a su vez está operando en base a cierta comprensión humana del mundo, que no es necesariamente óptima.
Las redes neuronales profundas no tienen esta restricción. El modelo se desarrolla automáticamente a partir de lo que la máquina ve como matemáticamente óptimo en los datos . Eso significa que en muchos casos solo la máquina puede dar sentido al modelo, lo que a menudo no es deseable. Pero si la precisión predictiva es su único objetivo, y tiene suficientes datos para permitir que la máquina construya el modelo y entrene sus parámetros de manera efectiva, entonces las redes neuronales profundas podrían ser la opción correcta.
Un científico de datos críticos no los verá como alternativas intercambiables, siendo uno simplemente más preciso que otro.
