来源：知乎
原文链接：深度学习系统相比较传统的机器学习系统，针对常见的分类问题，精度究竟能有多大提升？
问题：
我现在手头有一个binary classification的问题。数据量在一百万左右。每个sample都是一个14个feature组成的vector。每个feature都是一个0～1的float数值。
我用random forest ；1000棵树，grid search 调参数。10 fold validation 大概76% 左右的precision/recall .
我是一个机器学习的外行，但是比较好奇如果我用一些深度学习的系统，比方说TensorFlow，针对我描述的这种二项分类的问题，我能否期盼着会有一个准确度的显著提升？ 如果可以有这样的预期，一般大家都是怎么做的呢？
我手头的机器就是一台128G 32核的服务器。好像暂时没有别的好机器了。够用么？
我描述清楚了么？ 恳请大家给予指导，谢谢！
我爱机器学习回答：
先分析下问题，100万训练数据14个特征，如果你的特征表征能力牛逼，数据偏差不大，机器学习书里面随便挑个分类算法90%精度不在话下，但现在模型能力很强的随机森林都只能到76%左右，那么肯定哪里出了问题，问题在哪里，看case是王道。当然这个问题中特征表征能力不够可能性比较大，那接下来的事情就是特征工程，找什么样的特征，依然是看case，看看badcase是因为缺失什么样的特征导致，紧紧围绕问题本身。
连续特征的二分类问题，除了数据本身和特征工程，模型方面GBDT系列应该是非常合适的选择，这块无需细说，翻翻Kaggle就知其厉害。
不要在当前阶段跳出来寻觅炒上天的Deep Learning的帮助，Deep Learning确实足够强大，但它有自己的适用场景，比如人脸识别/OCR之类的视觉应用，如果是这类应用，那就直接上Deep Learning就好。
那么二分类或者多分类的传统机器学习问题（特征为整数/浮点数/枚举等类型时）上，Deep Learning到底搞得过传统机器学习算法不？答案依然是需要具体问题具体分析。
1. 有些问题，手写规则足以秒杀一切，只要规则击中要害就好；
2. 有些数据量非常大特征工程足够细致时，模型的重要性变得相对次要，LR系列广义线性模型足以满足需求，比如广告点击预测很长时期都是LR/BPR/FTRL之类为主要模型，只是特征工程中可能广泛用到LDA/Deep Learning等模型；
3. 当然还有些问题，比如判断图片是不是汽车的二分类问题，只要标注数据到位，Deep Learning可以本色出演了。