Vantaggi e Svantaggi delle Reti Neurali

Per costruire un modello predittivo con tecniche statistiche o di data mining classico, utilizziamo dei dati relativi al passato, cerchiamo allora di capire vantaggi e svantaggi delle Reti Neurali. A titolo d’esempio potremmo partire da un nostro database di clienti, in particolare potremmo costruire un modello standard e identificare dei clienti che hanno le stesse caratteristiche: che siano particolarmente in grado di spendere soldi, che siano a rischio di rivolgersi ad un competitor oppure ancora che abbiamo una incidenza una tamtum sugli acquisti.

Prendiamo ad esempio sito ecommerce come Amazon, la possibilità di raccogliere dati da parte di un sito del genere è enorme: dall’ultimo oggetto visualizzato, al tempo speso su una data pagina, ai prodotti restituiti, e così via. E’ però necessario restringere il numero delle variabili considerate che altrimenti diventano troppe e come abbiamo visto tendono non più a generalizzare ma ad adattarsi ai dati che abbiamo raccolto.

L’overfitting

Come abbiamo già accennato in precedenza questo problema è noto come overfitting, quindi via via che un modello è più elaborato, l’accuratezza della generalizzazione tende a decrescere e questo avviene per via del sovradattamento che è una caratteristica dell’overfitting, ed è di fatto uno dei problemi peggiori delle reti neurali. Quest’ultime sono comunque in grado di gestire un numero di parametri molto più alto rispetto a quello di dataset tradizionali e del Machine Learning classico. Ad esempio per riconoscere un’immagine abbiamo bisogno di tanti parametri quanti sono i pixel di quell’immagine.

L’overfitting è in sostanza il problema più grave quando sviluppiamo reti neurali, in buona sostanza possiamo definire l’assunto: OVERFITTING = DATI INUTILI.

Vediamo di seguito vantaggi e svantaggi delle Reti Neurali.

Vantaggi delle Reti Neurali

• Capacità di classificare pattern complessi e non lineari come immagini, video e suoni e testi
• Capacità di lavorare in parallelo
• Tolleranza agli errori e al rumore
• Alta precisione
• Facilità di aggiornamento con nuovi dati
• Capacità di generalizzazione
• Indipendenza da assunzioni a priori
• Capacitò di predire sia su problemi di regressione che di classificazione

Svantaggi delle Reti Neurali

• Servono per risolvere problemi specifici
• Hanno difficiltà a trattare variabili categoriche con molti valori diversi, quindi vanno normalizzati i dataset
• Occorrono dataset di una certa dimensione
• Possono richiedere tempi di training molto lunghi
• Occorre testare diverse configurazioni possibile e metterle a confronto
• C’è poca trasparenza del processamento dei dati
• Sono computazionalmente onerose