Ch04 机器学习修订于 二〇二六年七月六日
4.6 2026年：经典ML vs 深度学习的选型
2026年，选传统ML还是深度学习，取决于四个维度：
| 维度 | 选经典ML（XGBoost/随机森林） | 选深度学习（Transformer/神经网络） |
|---|---|---|
| 数据量 | 几百到几万条 | 几万条以上（越多越好） |
| 数据类型 | 表格数据（CSV、数据库表） | 图像、文本、音频、视频 |
| 可解释性需求 | 高——需要解释每个特征的影响 | 低——只关心最终效果 |
| 计算资源 | 有限——CPU即可，笔记本能跑 | 充足——需要GPU，训练成本高 |
| 训练时间 | 分钟到小时 | 小时到天 |
| 典型场景 | 信用评分、客户流失预测、销售预测、医疗诊断（结构化数据） | 图像分类、机器翻译、文本生成、语音识别 |
| 调参难度 | 低——XGBoost调3-5个参数就能出好结果 | 高——学习率、batch size、层数、注意力头数… |
决策规则：
- 你的数据是表格（CSV/数据库）→ 先试XGBoost。在表格数据上，XGBoost 2026年仍然经常打败深度学习，而且训练快100倍。
- 你的数据是图片/文本/音频 → 必须用深度学习。传统ML处理不了这些非结构化数据。
- 你需要向老板/客户/监管解释”为什么模型做出这个决策” → 优先选经典ML（线性回归、决策树）。深度学习的”黑箱”特性在金融风控、医疗诊断等场景是硬伤。
- 你有GPU且数据量>10万 → 深度学习优势明显。Transformer的Scaling Law（模型越大效果越好）在数据量足够时碾压一切传统方法。
常见误区：不是所有问题都需要深度学习。很多Kaggle竞赛的表格数据赛道，XGBoost仍然稳居第一。2026年有一种趋势——用深度学习做特征提取（如用LLM把文本转成Embedding），然后用XGBoost做最终分类。这叫”深度学习+传统ML”混合方案，兼顾两者优势。
← 上一节：4.5 过拟合和欠拟合 ｜ 下一节：4.7 机器学习项目实战流程 →
关联5
知识图谱局部图谱 · 点节点跳转