机器学习 深度学习 区别 与实战案例

接到需求时最容易卡在第一步：到底上传统机器学习，还是非深度学习不可？很多团队一上来就堆神经网络，数据量撑不住、调参成本又高。这篇不讲原理推导，只按数据类型、样本量、可解释性和交付时间四个维度给出对照办法，配通用的实战场景拆解，帮你把选型判断落成可以逐项打勾的动作。

接到需求时最容易卡在第一步：到底上传统机器学习，还是非深度学习不可？很多团队一上来就堆神经网络，数据量撑不住、调参成本又高，最后效果还不如一个逻辑回归。这篇不讲原理推导，只按数据类型、样本量、可解释性和交付时间四个维度给出对照办法，配几个能跑通的小场景拆解，帮你把选型判断落成可以逐项打勾的动作。

整体思路先记住一句：先看任务长什么样，再决定用哪类方法，而不是先挑模型再找数据。下面每一节都只解决一个判断问题，看完能直接拿去开会用。

先看任务长什么样，再决定用哪一类方法

分类的第一刀砍在数据的形态上。如果一份数据可以用「一行一条记录、一列一个字段」描述清楚，比如订单表、用户表、设备日志，那基本属于结构化任务，传统机器学习就足够应付。反过来，图像、长文本、语音、视频这类东西，你很难用几列数字把「这张图里有个划痕」「这段话在抱怨物流」表达出来，特征得靠模型自己学，这才是深度学习的主场。

• 结构化表格类任务（销量预测、风控打分、客户分层、报表异常识别）通常传统机器学习就够，特征工程做得细比换模型更有效
• 非结构化数据（图像、长文本、语音、视频）才是深度学习的主场，因为特征本身很难人工设计
• 判断口径：先问「字段能不能用列描述清楚」，能就优先走传统路线，不能再考虑深度模型
• 不适用情形：样本极少且无法采到更多时，深度模型基本没戏，先想办法补数据或退回到规则加简单模型

数据和成本这两道门槛怎么过

确定方向之后，第二关是样本量和预算。传统机器学习对样本量宽容得多，几百到几千条有时就能跑出可用的基线；深度模型的胃口大，但更关键的是「每一类可标注样本」够不够，类别一多、标注预算就上去了。所以动手前先把标注预算算清楚，再决定方案，别等训练到一半发现标不起。

算力也要一起看。传统模型大多能在一台普通笔记本上跑完；深度模型要考虑显卡、训练时长和反复迭代的隐性成本。硬件行情和现在主流算力的租用情况，去 /compute 对一下当下数字，别拿记忆里的旧价做预算。

还有一个通用动作：先做基线。用最容易实现的方案跑一版，拿到指标后再判断加复杂度值不值。基线不是为了交差，而是给你一个参照物，说明后面加的算力和时间换来了什么。

三个通用场景的实战拆解

1. 客服工单分类（小团队常见）一家 5 人小团队要做工单分类，文本短、类别固定、数据量中等。先用词频加传统分类器做基线，看混淆矩阵里哪几类老混在一起；效果不够再换预训练模型微调。验证方式是留出一批没参与训练的工单人工核对。
2. 外观缺陷检测（图像任务）工厂要做外观缺陷检测，输入是图片，特征是纹理和微小形变，人工根本描述不出来。这类直接走深度学习，重点放在标注一致性（同一张图两个人标得一样吗）和样本均衡（缺陷样本别太少）。验收时按缺陷类型分别看召回，不能只看总体准确率。
3. 门店日销预测（结构化任务）门店要做日销预测，字段就是日期、天气、促销标记。传统回归或树模型更快更稳，还能给出特征重要性，方便业务复盘「为什么这周预测偏高」。验证方式是滚动回测，用历史窗口模拟真实上线节奏。

每个场景都先定验收指标（准确率、召回、误差范围），再谈模型，别反过来。指标定不下来，换模型也只是在赌。

一页选型清单与常见误判

把上面的判断收成一张清单，开会时从上往下问，问到哪条卡住就先解决那条。顺序本身不重要，重要的是别跳步，尤其是别跳过「业务接不接受黑盒」这一条。

• 数据是结构化还是非结构化——这决定大方向
• 可标注样本够不够，标注预算有没有落实
• 业务接不接受黑盒，是否需要解释每个判断
• 上线周期允不允许反复调参，算力能不能持续跟上
• 常见误判一：为了「看起来先进」直接上深度模型，结果数据量不足，效果还不如简单模型
• 常见误判二：在图像任务上硬做人工特征工程，投入产出比极低
• 常见误判三：指标只看总体准确率，忽略少数关键类别的漏检

选型结论最好写成一句话放进需求文档，写清「为什么选这条路、什么条件下会换」。后续如果数据量涨了或者效果不达标，换方案时有据可查，也方便向非技术同事解释。术语拿不准的时候，到 /ai-dict/category/basics 和 /ai-dict/category/tech 对照一下，别在沟通里把两者混着用。

选型不是选最强的模型，而是选当前数据、预算和交付节奏下最不容易翻车的那一个。