在这个基准数据集中，并不太深的神经网络全部预测正确，而 XGBoost 预测错了三个。当然如果我们改变种子并且再运行一次，XGBoost 算法也可能会完全正确，所以这一结果并不能说明神经网络就要比提升方法好，我们也不需要进一步解读。

下面我们将以上的代码进一步推广到一般情况，因此我们能嵌入任何选定的数据集，并对比两种方法的测试集精度和可能存在困难的任务。当我们在处理代码时，我们可以在精度统计值上添加一个 boostrap 以了解不确定性大小。

完整的代码可以在 Github 查看：https://gist.github.com/maxberggren/b3ae92b26fd7039ccf22d937d49b1dfd

Telecom churn 数据集（n=2325）

数据集：https://community.watsonanalytics.com/wp-content/uploads/2015/03/WA_Fn-UseC_-Telco-Customer-Churn.csv?cm_mc_uid=06267660176214972094054&cm_mc_sid_50200000=1497209405&cm_mc_sid_52640000=1497209405

ANN

XGBoost

Churn 是一个更加困难的任务，但两种方法都做得挺好。

三种红酒数据集（n=59）

数据集：https://gist.githubusercontent.com/tijptjik/9408623/raw/b237fa5848349a14a14e5d4107dc7897c21951f5/wine.csv

ANN

XGBoost

这是一个非常简单的数据集，这两种方法都没有出现异常，因为样本空间实在是太小了，所以 boostrap 基本上没起什么作用。

德国人资信数据（n=1000）

数据集：https://onlinecourses.science.psu.edu/stat857/sites/onlinecourses.science.psu.edu.stat857/files/german_credit.csv

ANN

XGBoost

所以从上面来看，ANN 有时能得到最好的性能，而 XGBoost 有时也能得到最好的性能。所以我们可以认为只要 ANN 控制了过拟合和过训练，它就能拥有优良的表现，至少是能和 XGBoost 相匹配的性能。

XGBoost 的调参确实需要很多时间，也很困难，但 ANN 基本不用花时间去做这些事情，所以让我们拭目以待 ANN 到底是否会在小数据集上也会有大的发展。

本文为机器之心编译，转载请联系本公众号获得授权。

✄------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]