Comparison of generalised additive models and neural networks in applications: A systematic review
这项针对 143 项比较广义加性模型（GAMs）与神经网络在表格数据上表现的研究进行的系统综述发现，两者之间不存在一致的优越性，这表明它们是互补的工具，其中 GAMs 在较小的数据集上提供了具有竞争力的性能优势，同时保留了可解释性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图根据一系列事实（比如天气数据、房价或医疗记录）来预测未来。你的工具箱里有两个主要工具：
- “广义加性模型”（GAM）： 可以把它想象成一位细致、透明的建筑师。它通过逐一观察每一条信息，并为该特定信息如何影响结果绘制一条平滑且易于理解的曲线来构建预测。这就像是在说：“如果温度升高，冰淇淋销量就会像这样上升。”你可以清楚地看到它是如何运作的。
- “神经网络”（NN）： 可以把它想象成一个极速、极复杂的黑匣子。它是一个数字大脑，能同时连接所有的点，寻找人类可能会错过的隐藏模式和奇妙关系。它功能极其强大，但如果你问它为什么做出某个预测，它往往无法清晰地解释自己。它只会给你答案。
多年来，人们一直在争论：“哪一个更好？”这篇论文是一项系统性综述（对其他研究的大规模研究），它查看了涉及 143 篇不同研究论文和 430 个真实世界数据集的内容，旨在以此定论。
以下是他们的发现，通过简单的分类进行了拆解：
1. “谁赢了？”这个问题
研究人员不仅询问了那些论文的作者他们认为谁赢了，还提取了实际的数字（分数）并将它们合并计算。
- 结果： 没有一致的赢家。
- 类比： 这就像一场拳击赛，有时细心的建筑师获胜，有时黑匣子获胜，而通常情况下它们打成平手。两者都不是绝对优越的。如果观察衡量成功最常用的方式（预测值与现实的接近程度），它们基本上处于同一水平。
2. “黑匣子”何时闪耀？
研究发现，神经网络（黑匣子）在两种特定情况下具有微弱优势：
- 当数据量巨大时： 如果你拥有海量的数据集（比如数百万行数据），黑匣子有时能发现细心建筑师会错过的模式。
- 当变量很多时： 如果你正在处理数百个不同的因素，黑匣子能很好地应对这种复杂性。
然而，论文指出，这种优势正在缩小。随着时间的推移，这位细心的建筑师（GAM）正在赶超，差距正在变小。
3. “建筑师”何时闪耀？
GAM（透明模型）仍然是一个非常强大的竞争者，尤其是在较小的数据集中。
- 一大优势： 选择 GAM 的主要原因不仅仅在于它可能稍微更准确，更在于它的可解释性。因为它像一份清晰的蓝图一样构建，所以你可以理解它为什么做出某个决定。在科学或医学等领域，了解“为什么”往往与“做对”同样重要。
4. “缺失说明书”的问题
研究中最有趣的发现之一不在于模型本身，而在于这些研究是如何撰写的。研究人员发现许多论文都缺失了关键细节。
- 类比： 想象你在读一份蛋糕的食谱，但作者忘了列出糖的用量或烤箱的温度。你很难判断蛋糕做得好是因为食谱本身，还是仅仅因为运气。
- 现实情况： 在所评审的 143 篇论文中，许多作者都没有报告他们的数据集有多大、使用了多少变量，或者他们的神经网络有多复杂。这使得很难信任这些结果或重复这些实验。该论文呼吁科学家们开始更清晰地记录这些细节。
最终结论
作者得出结论，这两个工具不应被视为争夺头把交椅的对手。相反，它们是互补的工具。
- 如果你需要从大规模、复杂的数据集中榨取每一丁点额外的准确性，神经网络可能是你的首选。
- 如果你需要一个既准确又可解释的模型（以便你能向医生、法官或科学家清楚地解释它是如何运作的），那么 GAM 通常是更好的选择。
该论文指出，对于大多数日常的“表格型”数据（行与列组成的数字），性能差异非常小，因此你应该根据你是更看重原始力量还是清晰理解来选择模型。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。