1. 导论：为什么需要选型决策？传统算法与深度学习的本质区别
做算法选型，说白了就是回答一个问题：这个任务，到底该用规则写，还是让模型学？
我见过太多团队，一上来就上深度学习。结果数据不够，模型跑不动，最后连个简单的阈值判断都没做对。也见过死守传统算法的，明明场景复杂到爆炸，还硬写if-else，维护成本高到想哭。
所以，选型不是炫技，是工程决策。
1.1 为什么选型决策这么重要？
先看几个真实案例。
| 场景 | 选型错误 | 后果 |
|---|---|---|
| 工业缺陷检测 | 直接上CNN | 样本不足，过拟合严重，误检率30% |
| 日志异常检测 | 硬写正则规则 | 新日志格式一改，规则全废 |
| 推荐系统召回 | 只用协同过滤 | 冷启动问题，新用户无推荐 |
| OCR文字识别 | 传统图像处理 | 光照变化大时，识别率暴跌 |
我在项目中遇到过一家做质检的客户。他们花三个月训练了一个缺陷检测模型，结果产线一换光源，模型直接崩了。后来我用传统图像处理做预处理，再用轻量模型做分类，一周就上线了。
选型错了，轻则浪费资源，重则项目流产。
1.2 传统算法与深度学习的本质区别
很多人觉得，区别就是“深度学习更高级”。其实不是。
核心区别在于：特征提取的方式。
- 传统算法：人工设计特征。你告诉机器“边缘长什么样”、“纹理怎么描述”。
- 深度学习：自动学习特征。你给数据，模型自己找规律。
举个例子。识别一张图里有没有猫。
- 传统做法：提取胡须、耳朵形状、眼睛比例等特征，写规则判断。
- 深度学习：扔一万张猫图进去，模型自己学会“猫长这样”。
你想想看，哪个更灵活？显然是深度学习。但哪个更可控？传统算法。
关键认知：传统算法是“白盒”，深度学习是“灰盒”。白盒可解释，灰盒性能强。选型就是在两者之间找平衡。
1.3 选型决策的核心维度
我个人习惯从五个维度来评估：
- 数据量：样本够不够？少于1000条，别碰深度学习。
- 可解释性：业务方要你解释“为什么这么判断”？传统算法更友好。
- 计算资源：只有CPU？边缘设备？传统算法更轻量。
- 任务复杂度：规则能写清楚吗？能就别上模型。
- 维护成本：场景会变吗？变的话，深度学习更抗造。
我的经验：先问自己一个问题——“这个任务，我能不能用三行if-else搞定？”如果能，就别折腾。如果不行，再考虑模型。
1.4 知识体系总览
下面这张图，概括了本章的核心逻辑。
1.5 避坑指南
我曾经犯过的错：有一次做文本分类，我直接上了BERT。结果数据只有500条，模型根本训不动。后来换成TF-IDF + 朴素贝叶斯，准确率反而高了10%。
教训：不要为了用深度学习而用深度学习。先评估数据，再选模型。
嗯，这里要注意一点。选型不是一次性的。项目进行中，随时可以调整。我习惯在项目初期先跑一个传统算法的baseline，再决定要不要上深度学习。
这样做的原因是：baseline能告诉你，这个任务的下限在哪里。如果传统算法已经能到80%的准确率，深度学习可能只提升到85%，但成本翻十倍。这时候，你要不要上深度学习？
答案取决于业务。如果那5%的准确率值一百万，上。如果不值，别折腾。
1.6 本章小结
- 选型决策的核心是匹配任务需求与算法特性。
- 传统算法和深度学习的本质区别在于特征提取方式。
- 从数据量、可解释性、计算资源、任务复杂度、维护成本五个维度评估。
- 先跑baseline，再决定是否升级。
记住一句话：没有最好的算法，只有最合适的选型。