选择模型的基本准则

选择模型时需考虑数据特征与任务需求。数据规模决定模型复杂度，10万以下样本适合轻量级模型，百万以上可尝试深度学习。特征维度高时需选择能处理稀疏数据的算法，如图模型或树模型。计算资源有限时，优先考虑推理速度快的模型，如逻辑回归或决策树。业务场景要求模型可解释性时，选择白盒模型如决策树，而非黑盒模型如神经网络。

模型评估需关注实际业务指标而非单纯准确率。金融风控场景中，召回率比准确率更重要，需选择能减少漏检的模型。医疗诊断领域，假阳性控制比假阴性更关键，适合选择精确率高的算法。推荐系统需平衡多样性与相关性，矩阵分解模型表现优于简单协同过滤。实时应用场景中，LightGBM比XGBoost推理速度快3倍，更适合高并发环境。