在算力充沛，深度学习模型大行其道的今天，传统机器学习的未来在哪里？ 第1页

这里先给出结论

1. 深度学习模型并不完全是对传统机器学习算法的简单升级，深度学习模型也无法应用在所有传统机器学习能用的场景。
2. 深度学习模型可以和传统机器学习算法结合。

为啥我们还需要传统机器学习算法

第一个原因，也是业界最常提起的，就是解释性。我这几年都在做AI风控，但监管要求我们的决策要可解释性，例如你得清晰的解释清楚，某个客户的信用分为啥是这个分数，或者说，为啥你觉得这个客户高风险而另一个客户低风险？而我们曾经尝试深度学习，解释性很难搞，而且，效果也不咋地。对于风控场景，数据清洗是非常重要的事，否则只会是garbage in garge out。

第二个原因，深度学习算法很难理解业务。有的人会说，为啥要理解业务呢，让深度学习算法自己来理解不行吗？也许有的情况在结构化数据（例如dataframe）上用深度学习有点效果，但在多数情况下，对这些数据应用深度学习模型很有可能会造成严重的过拟合。

第三个原因，成本。即使我一把梭用深度学习模型还取得了不错的效果，但成本呢？传统机器学习模型两分钟就能跑出95分的模型，你深度学习模型两个小时跑个96分的模型，为了这一分而多用两个小时时间成本，值得吗？有的算法的使用场景是经不起等待的。不是所有厂都是大厂，对于多数小厂来说，能用就行了。

传统机器学习和深度学习算法的融合

事实上，传统机器学习模型在促进深度学习算法发展方面，也是有着神奇的作用。

例如去年提出的MLP-Mixer^[1]，一个专门基于多层感知器(MLPs)的架构。让很多人都没想到，都2021年了，还有人在模型用MLP，而且效果还不差。

当然，MLP（多层感知机）本身算不算传统机器学习算法呢？这个还是有争议的，从提出时间(80年代中期）和资源消耗上，MLP似乎比现在流行的深度学习模型差得远，算是传统机器学习；但从解释性等方面考虑，又算是深度学习模型。不过有的时候，传统机器学习和深度学习模型也并不是泾渭分明的，它们存在交集。

当然，如果你觉得MLP-Mixer说服力不够，还可以看看R-CNN网络^[2]，RCNN将前边的神经网络用作特征提取，最后一层接个SVM作为分类器。

事实上，除了RCNN，也有很多研究是在深度网络最后一层接一个传统机器学习模型的，甚至在kaggle比赛中，很多玩家也会自制混合模型，就是深度学习模型+SVM/LR等

总结

算力充沛，深度学习模型大行其道的今天，传统机器学习的未来在哪里？在于落地，在于促进深度学习发展。传统机器学习更贴近业务，解释性更强，能应用于有监管要求的领域；同时，也可以应用在深度学习模型的架构上，焕发新的生命力。

参考

1. ^MLP-Mixer: An all-MLP Architecture for Vision https://arxiv.org/abs/2105.01601
2. ^Rich feature hierarchies for accurate object detection and semantic segmentation https://arxiv.org/abs/1311.2524