Shallow Learning

Wat is shallow learning?

Shallow learning (ondiep leren) is een verzamelnaam voor klassieke machine learning-methoden die geen diepe neurale netwerken gebruiken. Denk aan lineaire regressie, beslisbomen, support vector machines en k-means clustering. De naam ontstond als tegenhanger van deep learning, dat met veel verwerkingslagen werkt; shallow learning-modellen hebben hooguit één of twee van zulke lagen.

Hoe werkt het?

Het grootste verschil zit in de kenmerken (features) waarmee het model rekent. Bij shallow learning bepaalt een mens vooraf welke kenmerken relevant zijn, bijvoorbeeld leeftijd, aankoopbedrag en klantduur om klantverloop te voorspellen. Het model leert vervolgens het verband tussen die kenmerken en de uitkomst. Deep learning leert die kenmerken zelf uit ruwe data, wat nodig is voor beeld, audio en vrije tekst, maar ook veel meer data en rekenkracht vraagt.

Wat heb je eraan als bedrijf?

Shallow learning is allesbehalve achterhaald. Voor voorspellingen op nette tabellen met bedrijfsdata, zoals verkoopprognoses, kredietbeoordeling of klantsegmentatie, presteren klassieke methoden vaak even goed als of beter dan deep learning. Ze trainen sneller, hebben minder data nodig en zijn beter uitlegbaar: je kunt zien waarom het model een beslissing neemt. Dat laatste is ook relevant voor de uitlegbaarheidseisen die wet- en regelgeving zoals de EU AI Act aan sommige toepassingen stelt.

Gerelateerde begrippen

Shallow learning omvat technieken als decision trees, support vector machines en linear regression. De tegenhanger is deep learning; beide vallen onder machine learning.