Academic Journal
Нейронные сети против классических ML-моделей: в каких случаях стоит усложнять архитектуру
| Τίτλος: | Нейронные сети против классических ML-моделей: в каких случаях стоит усложнять архитектуру |
|---|---|
| Στοιχεία εκδότη: | APNI, 2024. |
| Έτος έκδοσης: | 2024 |
| Θεματικοί όροι: | классические модели, ресурсоёмкость, табличные данные, SVM, выбор архитектуры, трансформеры, сравнение моделей, нейронные сети, машинное обучение, CNN, интерпретируемость, балансировка классов |
| Περιγραφή: | The article provides a systematic analysis of neural network architectures and traditional algorithms (logistic regression, SVM, decision trees, gradient boosting, etc.) in order to identify the conditions under which complex neural network approaches are really appropriate. The comparison is based on an analysis of empirical data, metrics of efficiency (Accuracy, AUC), resource requirements and interpretability. Special attention is paid to the applicability of models to various types of data – tabular, visual, textual, and time series. Practical recommendations on the choice of architecture are formulated. The results of the study demonstrate that there is no universal solution, and the choice of a model should be determined by the specifics of the task, the amount of data and the limitations of the application environment. В статье проведён системный анализ архитектур нейросетей и традиционных алгоритмов (логистическая регрессия, SVM, деревья решений, градиентный бустинг и др.) с целью выявления условий, при которых сложные нейросетевые подходы действительно целесообразны. Сравнение основано на анализе эмпирических данных, метрик эффективности (Accuracy, AUC), требований к ресурсам и интерпретируемости. Особое внимание уделено применимости моделей к различным типам данных – табличным, визуальным, текстовым и временным рядам. Сформулированы практические рекомендации по выбору архитектуры. Результаты исследования демонстрируют, что универсального решения не существует, и выбор модели должен определяться спецификой задачи, объёмом данных и ограничениями среды применения. |
| Τύπος εγγράφου: | Article |
| Γλώσσα: | Russian |
| DOI: | 10.5281/zenodo.16131538 |
| Rights: | CC BY |
| Αριθμός Καταχώρησης: | edsair.doi...........6f3aa5565b8f523bad2a21f541780234 |
| Βάση Δεδομένων: | OpenAIRE |
| DOI: | 10.5281/zenodo.16131538 |
|---|