其实这个题目其实早就想探讨一下了，因为工作有时候会在这件事情上花费很多时间。这两天坐着思考了一下，这个问题其实应该分几个维度来讨论。
当然，这里只讨论工业界。
区分目的
首先需要明白，你是要做什么，是要快速落地，还是提升模型效果，还是讲故事，还是做算法可行性研究，都有不同的套路，以及工作中各种形形色色的约束。
讲故事--PPT型
工作中，总要给客户或者领导讲各种的故事，做个看起来fantastic的ppt，以前还没工作多久的时候，对这种事情嗤之以鼻，现在啊，赚钱嘛，不丢人。
因为现在不像以前，故事不是带有AI，听众就使劲鼓掌，让人信服。时代变了，还是得拿点东西出来给别人看的。如何讲一个好的技术性故事，根据我的经验，一定要在吹牛逼和实用性和普及性中间平衡。
举个例子，NLP相关的任务，你给别人讲故事，不要一开始就把rf，word2vec就掏出来，你得讲Transformer，elmo和BERT，但是你又不能讲GPT-2和ERNIE2这种最新模型。
不是因为GPT-2和ERNIE2不好用，甚至ERNIE2对于中文的效果是非常好的，而是说这两个模型对于专门做NLP的人熟悉且好用，而Bert这个名字流传度更广，业界出的成果更多，开发起来更便捷（github上的各类demo源码更多，便于落地），但是相对于word2vec这种老古董更先进。
综合这样，东西可以落地，效果也查不到哪里去，又是业界较新生产力，这个故事还是可以给你别人的。当然，只能是给别人看看，真正落地又是另一件事。
预研--研究型
工作里面，算法可能遇到瓶颈了，可能是性能太差，不满足生产，可能是准确性上不去，效果不好，就需要搞研究工作了。
研究工作模型是一个纵向的，不能一味的把模型往深了做，而是不同深度各出一个结果。
举个例子，现在我的工作是一个时间序列预测的工作，数据充足，特征管够，不缺人力，算力拉满（多么理想的工作环境），一开始是接到任务，首先深度学习整起来，简单的CNN和LSTM来一套，往深了搞，也训练出来了比较好的效果。嗯，我很满意。但是这个工作是与硬件相关的，硬件上给分配了30M的内存，深度学习的模型都加载不了。好的，前期工作白费。
换模型降维，普通的网络搞一下，xgboost和adaboost，其实都可以做，但是这个时候还不够，我们最后选择了的模型是用信号频率分解+线性拟合。
为什么这么选，网络和xgboost的效果还可以，但是效率低，当实时数据量非常大的时候，还是有点慢的，adaboost（回归树）效率可以，但是效果又不好，最后我们选择了一个比较简单的模型。
所以，搞模型预研，一定要做成一个纵向，不能一直往深了做，也要回头看看，也许有更好的选择。合适才是最好的模型。
实干--落地型
模型要落地，重点应该关注在生产中的约束条件。
- 监督和非监督，考虑人手够不够，训练需要投入的成本，优先选择监督。
- 深度学习和机器学习，考虑算力和效率，算力充足，性能要求不高，优先选深度学习。
- 深度学习新模型和旧模型，不要选最新模型，选最流行的模型，因为最新模型是学术界做的demo，面对SOTA做模型。就算效果好也要等网上资料足够多了（github上的开源demo足够多）再考虑换模型。
- 选择机器学习模型，考虑任务。如果分类，优先考虑随机森林，xgboost和SVM，SVM性能最好，随机森林最平衡，xgboost效果最好。如果回归，线性拟合，SVM，xgboost都可以用。
一点感悟
训练了这么多模型，其实最后发现，有些模型，在数据较好的情况下，效果差不太多，准确率就是那几个点的事情，不超过5个点，特别是深度学习。所以不要觉得换了一个模型就可以大幅度提升。把数据选好才是最大的提升空间。
而实际情况是，一个模型或者几个模型并不能解决业务的问题，需要一套组合拳。最常见做法是，先做预处理，排除最明显的，再跑模型（组合模型），最后做后处理，这才是效果最好的。
今天就到这，有什么问题欢迎交流。mail: chinwu@126.com
