如果软件非常复杂必须手工编写就会浪源。当数据量很大时。只要符合机器学习结构即可。机器学习问题有一系列非常明确的指导方针。这意味着问题必须有一个目标变量例如可以是对客户进行分类或找出索赔数量。它可以通过回答我想预测什么来识别。。一旦实现我们必须知道我们拥有的数据是否足够且适合预测我们想要的结果。我们什么时候不能用机器学习解决问。
题我们必须谨慎对待对机器学习的期望。大多数时候 华侨资料 算法为我们提供的结果是后续决策或行动的基础它们不会自动转化为收益。但也有一些例外例如它的结果以推荐的形式直接显示在平台上没有员工根据算法的结果做出决策。在这种情况下评估错误对结果的影响非常重要。电视剧推荐失败与路上发生事故的机会失败不同。机器学习不擅长发现巧合因为它总是基于发现模式。因此当遇到巧合时算。
法将不知道该怎么办因为它没有可以与之相关的引用。所以如果我们要解决的问题有很多巧合或许我们应该考虑用另一种方式来解决它。即使解决方案很好并且算法运行完美结果也不能总是被解释。对于某些算法尤其是决策树可以更容易地看出哪些变量具有更大的权重但其他算法只是提供无法解释的结果即使它对于目标来说是正确且有效的。这是由于算法推理的复杂性非常高。在某些情况下人。