Es mejor pensarlo en el sentido de que todos los modelos tienen casos de uso para los que son más adecuados. Para los modelos de series de tiempo, que generalmente utilizan alguna forma de regresión para hacer predicciones, el caso de uso es obvio.
Para la mayoría de los algoritmos de aprendizaje automático, también hay un caso de uso para cada algoritmo, que podría ser agrupación, predicción de clase binaria, predicciones de múltiples clases, predicción de variable continua.
Lo que podemos decir, que creo que es lo que está preguntando en su pregunta, es que algunos algoritmos de aprendizaje automático tienen más flexibilidad que otros algoritmos y pueden usarse para casos de uso múltiple. Los árboles de decisión y los bosques aleatorios, por ejemplo, se pueden usar para la predicción de clase binaria, la predicción multiclase y la predicción variable continua. Otros algoritmos / técnicas de modelado (como modelos de series de tiempo, k significa, SVM) no son tan flexibles y, por lo tanto, solo pueden manejar uno de estos casos de uso.
- Cómo encontrar un patrón repetido en una imagen
- ¿Cuáles son algunos algoritmos de corrección ortográfica que usan los motores de búsqueda? Por ejemplo, cuando utilicé Google para buscar "imágenes de Google", me preguntó: "¿Quiso decir: imágenes de Google?".
- En la curva ROC, cualquier punto es resultado del modelo en un parámetro particular. No estoy claro por qué el adivinador aleatorio está en x = y y no siempre (0.5, 0.5). ¿También cómo interpretar el área bajo la curva?
- Cómo saber si una startup tecnológica que ofrece soluciones empresariales que utilizan el aprendizaje exclusivo en profundidad está tratando de estafar a mi empresa
- ¿Cuál es el estándar de JMLR contra documentos en ICML y NIPS?
La conclusión es que no se trata de modelos de series de tiempo versus división de aprendizaje automático, es un algoritmo / modelo flexible versus división de algoritmo / modelo inflexible.