案例1：特征难以分解？

我们从2012年就了解到，神经网路对于处理高维原始数据非常有效。图像，视频，文本和音频都是高维原始数据的例子，很难预处理并表示为特征。在这些情况下，使用NN的内置特征提取单元（CNN，LSTM）可以在传统领域的一些问题上获得惊人的结果。

案例2：处理缺失值？

如果神经网路里面有缺失值，则模型会报错。这是因为在NN训练期间求解的方程假定每个输入变数的有效值。

但是，XGBoost有自己的处理缺失数据的方式。在训练期间，XGBoost执行学习为每个特征计算数据的子任务。许多现实世界的问题都缺少数据，这些数据本身包含有关目标的有价值信息。因此，对于缺失值处理 - XGBoost获胜。

案例3：你的资金有多雄厚？

神经网路训练往往需要并行计算，使其非常适合分散式训练。也就是说，如果你的预算可以涵盖使用 TPU 或 GPU 这样昂贵的机器上的运行，那么你就不用惧怕使用神经网路。

另一方面，如果您只使用数百万条记录，那么 XGBoost 则可以在较便宜的多核 CPU 上进行训练，并在比 NN 更短的时间内收敛。因此，如果数据数量不大 - XGBoost可能更实惠并且可以获得类似的结果。

案例4：你有多少数据？

由于其基础数据结构，XGBoost在并行化方式上受到限制，因此它可以处理的数据量很少。处理海量数据集的一种方法是将这些数据拆分为分片和堆叠模型 。

然而，对于神经网路，它通常需要数据「越多越好」。当参数数量一致时，即使数据量很大，神经网路也可以使其收敛，并且数据量大还可以降低泛化误差。但对于较小的数据集，XBGoost通常收敛速度更快，误差更小。

案例5：是否需要自定义输出？

相较于 NN， XGBoost 会限制数据的输出形式。它通常将1-d阵列作为记录输入并输出单个数字（回归）或概率向量（分类）。因此，配置 XGBoost 模型更容易。在 XGBoost 中，无需担心数据的输入输出形式 - 只需提供看起来像表的pandas datafame，设置标签列就可以了。

但是，神经网路通过张量的设计， 以处理高维矩阵。 NN的输出和输入形状可以在数字，序列（矢量），图像甚至视频之间变化。因此对于传统数据问题，例如基于结构化数据的广告点击预测 - 两者都可以很好地工作。在需要多元数据形态问题上，NN可能是唯一有效的选择！

案例6：我可以同时使用两个模型吗？

如果你不想选择怎么办？在许多情况下，两种模型的组合使用效果往往会优于每个单独的模型的预测结果。研究已经发现，对同一数据集，堆叠模型可以实现较低的错误率， 但需要编写合适的组合模型策略。