深度学习有哪些缺点？

但是，深度学习也有一些缺点。
在其他机器学习方法的背景下，深度学习生成的模型很难解释。
这些模型可以包含许多层和数千个节点。不可能分别解释它们。
数据科学家通过测量预测来评估深度学习模型，但是模型本身具有“黑匣子”架构。
评论家可能会反对深度学习的这一方面，但请记住，分析的目的很重要。
例如，如果分析的主要目的是解释差异或处理结果，则深度学习选择可能是错误的。
但是，您也可以根据重要性对预测进行分类。这就是数据科学家通常实现的。
部分依赖图使数据科学家可以可视化深度学习模型。
深度学习还倾向于其他机器学习方法，并且过度训练了训练数据。
这意味着算法“记住”了在使用模型的生产环境中可能使用或可能不使用的训练数据的特征。
这个问题不仅发生在深度学习中。可以通过独立验证来避免深度学习。