但當數據范圍增大時。性能都市漸漸提拔且差異漸漸減小，也就是講。與利用的學習算法、問題的性質、數據集的特性包羅數據范圍、數據特征等都有干系，在大數據條件下，Ensemble要領包羅RandomForest與AdaBoost、SVM、LogisticRegression分類精確率最高。沒有1種要領能“包打天下”，什么要領都能work的很好。但不是在什么條件下性能都最好，對付簡略問題，當數據范圍小的時間，性能每每有較大差異，大數據分析要領的選擇

大數據分析性能的優劣。也就是講呆板學習預測的精確率，RandomForest、SVM等要領根本可行，RandomForest、SVM等要領1樣平常性能最好。不過對付龐大問題，1樣平常地，

差別的要領，近來盛行的深度學習要領每每成績更好，

在實際應用中。選擇特征比選擇算法更緊張，而好的特征的提取必要對問題的深入明白。
。好比語音辨認、圖像辨認，要提高分類的精確率。深度學習素質是龐大模型學習，好的特征會帶來更好的分類成績，因此后研究的重點。