Machine learning 如何比较两种深度学习模式的绩效？

我对深度学习还不熟悉，所以如果这个问题没有意义，请纠正我

在传统的机器学习中，我知道如何比较模型，并根据我选择的指标选择其中一个模型作为最佳模型

然而，在深度学习中，每个模型都是用不同的层构建的，因此我如何控制变量来确定哪个模型是最好的？或者人们通常不这样比较

例如，我有一个连续的数据，我可以使用CNN和LSTM模型，所以我应该只比较一层CNN和一层LSTM模型吗？之后，我可以添加更多层或调整我的模型

---

或者有人可以告诉我如何用所选指标比较和选择最佳深度学习模型的过程？

对于您提到的顺序数据， 层数与两个模型的比较无关。在一定层数下，由于过度拟合，精度将开始下降。 比较1层CNN和1层LSTM不是正确的方法

您需要检查以下因素进行比较，如 准确度、精密度、召回率、f1分数取决于您的申请目标

例如，如果您正在处理语言翻译数据

---

LSTM将是更好的选择，因为它解决了消失梯度的问题。

听起来您不太想知道要运行什么性能指标，而更想知道如何修改模型的哪些部分以提高性能？例如，我选择精度作为比较指标，我试图公平地比较CNN和LSTM的结果，那么我如何才能做到这一点呢？既然深度学习模式可以让我自己增加更多的层次？也许可以同时考虑准确性和速度？我不知道你说的“公平”是什么意思。如果它们是不同类型的模型，我不确定相同的“层数”是否等于“公平”比较。但是如果你增加更多的层，你通常会放慢一点速度，这通常是重要的考虑因素。例如，我不知道两层CNN与一层LSTM相比是否合理？但是，例如，我有一个带有1层CNN的模型，平均精度高于带有1层LSTM的模型，我能说我选择CNN是因为它的表现更好吗？不，你不能。LSTM的多个层可能比CNN的一个或多个层表现得更好。如果您只想使用一层，那么，在这种情况下，您可以选择CNN。但是还要检查两个模型的测试精度。所以根据我的理解，我们不能说哪个深度学习模型比另一个好？与传统的ml模型比较一样，我们选择几个模型运行，并比较测试结果以选择最佳模型。对于深度学习模式，我们不能进行这种比较或选择？