El aprendizaje profundo y las redes neuronales están recibiendo la mayor parte del enfoque debido a los recientes avances en el campo y la mayoría de los expertos creen que es el futuro de resolver problemas de aprendizaje automático.
Pero no se equivoque, los modelos clásicos aún producen resultados excepcionales y, en ciertos problemas, pueden producir mejores resultados que el aprendizaje profundo.
La regresión lineal sigue siendo, con mucho, el algoritmo de aprendizaje automático más utilizado en el mundo.
Es difícil identificar un dominio específico donde los modelos clásicos siempre funcionan mejor ya que la precisión está muy determinada por la forma y la calidad de los datos de entrada.
Por lo tanto, la selección de algoritmos y modelos siempre es una compensación. Es una afirmación algo precisa para hacer que los modelos clásicos aún funcionen mejor con conjuntos de datos más pequeños. Sin embargo, se está investigando mucho para mejorar el rendimiento del modelo de aprendizaje profundo con menos datos.
La mayoría de los modelos clásicos requieren menos recursos computacionales, por lo que si su objetivo es la velocidad, es mucho mejor.
Además, los modelos clásicos son más fáciles de implementar y visualizar, lo que puede ser otro indicador de rendimiento, pero depende de sus objetivos.
Si tiene recursos ilimitados, un conjunto de datos observables masivos que está etiquetado correctamente y lo implementa correctamente dentro del dominio del problema, entonces el aprendizaje profundo probablemente le dará mejores resultados en la mayoría de los casos.
Pero en mi experiencia, las condiciones del mundo real nunca son tan perfectas