知识卡片
模型选择需贴合业务
本章明确指出深度学习时代没有一个模型能通吃所有业务场景,因此刻意不给出模型性能排行——不同数据集、应用、评估方法与指标不可能形成权威结论。选模型的正确做法是先理解每个模型的关系与适用场景,再针对自己的业务数据充分调参、对比后决定。这条原则是对前文的收束:从AutoRec到DRN,每个模型都是为特定短板与场景设计的,结构越复杂并不等于效果越好。它把注意力从追新模型转向理解业务与权衡工程约束,也是后续章节从不同角度展开讨论的起点。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 浪潮之巅——深度学习在推荐系统中的应用 · 查看原书依据
在深度学习时代,没有一个特定的模型能够胜任所有业务场景,从表3-2中也能看出每种模型的特点各不相同。 正因如此,本章并没有列出任何模型的性能测试,因为不同数据集、不同应用场景、不同评估方法和评估指标,不可能形成权威的测试结果。
参考来源
- 位置:《深度学习推荐系统》第3章 浪潮之巅——深度学习在推荐系统中的应用(源文件:extracted/深度学习推荐系统/_epub-src/text/part0007_split_011.html)
- 结论依据:原文总结没有单一模型胜任所有场景,并解释为何不列性能测试、强调按业务调参对比。
- 原始内容:在深度学习时代,没有一个特定的模型能够胜任所有业务场景,从表3-2中也能看出每种模型的特点各不相同。 正因如此,本章并没有列出任何模型的性能测试,因为不同数据集、不同应用场景、不同评估方法和评估指标,不可能形成权威的测试结果。