Список проголосовавших за комментарий "Михаил, <br/> <br/> <blockquote>SVM — работает с линейноразделимыми поверхностями в спремляющем пространстве</blockquote><br/> Это уже «напилинг» -<br/> <br/> <blockquote>Украли американцы у русских чертежи истребителя. Собрали — паровоз. Разобрали, собрали — паровоз! Что делать, выкрали русского специалиста. Спец берёт чертёж, смотрит, смотрит и говорит: «Там же внизу маленьким шрифтом: после сборки обработать напильником».</blockquote><br/> <br/> <br/> <blockquote>GBM — это решающие деревья, а не сети. У них мало чего общего с сетями, и их обычно используют на табличных данных (в ручную сделанных фичах), а сети на сырых данных (кусок временного ряда, изображение, текст). </blockquote><br/> <br/> Обычно перед применением нейронных сетей данные предобрабатывают. Это ядерные свёртки изображений, обработка по градиентам яркости и пр., пр. пр. в голом виде нейронные сети не применяют… обычно. Если, конечно, задача не ставится вытащить заранее известный в подробностях сигнал из под шума. <br/> <br/> <a class="imgpreview" href="/uploads/images/06/93/19/2020/01/31/3722edeb3d.png"><img src="/uploads/images/06/93/19/2020/01/31/22ab22b8e1.png"/></a><br/> <br/> <em>Предобработка данных перед использованием в свёрточной NN.<br/> </em><br/> Разница между GBM и NN в процессе обучения и, соответственно, в размере области градиентного пересмотра параметров.<br/> <br/> В этом смысле, ваше решение отвязаться от «ручного» построения признаков (фич), остаётся для меня не ясным. "