案例1：特徵難以分解？

我們從2012年就瞭解到，神經網路對於處理高維原始數據非常有效。圖像，視頻，文本和音頻都是高維原始數據的例子，很難預處理並表示為特徵。在這些情況下，使用NN的內置特徵提取單元（CNN，LSTM）可以在傳統領域的一些問題上獲得驚人的結果。

案例2：處理缺失值？

如果神經網路裡面有缺失值，則模型會報錯。這是因為在NN訓練期間求解的方程假定每個輸入變數的有效值。

但是，XGBoost有自己的處理缺失數據的方式。在訓練期間，XGBoost執行學習為每個特徵計算數據的子任務。許多現實世界的問題都缺少數據，這些數據本身包含有關目標的有價值信息。因此，對於缺失值處理 - XGBoost獲勝。

案例3：你的資金有多雄厚？

神經網路訓練往往需要並行計算，使其非常適合分散式訓練。也就是說，如果你的預算可以涵蓋使用 TPU 或 GPU 這樣昂貴的機器上的運行，那麼你就不用懼怕使用神經網路。

另一方面，如果您只使用數百萬條記錄，那麼 XGBoost 則可以在較便宜的多核 CPU 上進行訓練，並在比 NN 更短的時間內收斂。因此，如果數據數量不大 - XGBoost可能更實惠並且可以獲得類似的結果。

案例4：你有多少數據？

由於其基礎數據結構，XGBoost在並行化方式上受到限制，因此它可以處理的數據量很少。處理海量數據集的一種方法是將這些數據拆分為分片和堆疊模型 。

然而，對於神經網路，它通常需要數據「越多越好」。當參數數量一致時，即使數據量很大，神經網路也可以使其收斂，並且數據量大還可以降低泛化誤差。但對於較小的數據集，XBGoost通常收斂速度更快，誤差更小。

案例5：是否需要自定義輸出？

相較於 NN， XGBoost 會限制數據的輸出形式。它通常將1-d陣列作為記錄輸入並輸出單個數字（回歸）或概率向量（分類）。因此，配置 XGBoost 模型更容易。在 XGBoost 中，無需擔心數據的輸入輸出形式 - 只需提供看起來像表的pandas datafame，設置標籤列就可以了。

但是，神經網路通過張量的設計， 以處理高維矩陣。 NN的輸出和輸入形狀可以在數字，序列（矢量），圖像甚至視頻之間變化。因此對於傳統數據問題，例如基於結構化數據的廣告點擊預測 - 兩者都可以很好地工作。在需要多元數據形態問題上，NN可能是唯一有效的選擇！

案例6：我可以同時使用兩個模型嗎？

如果你不想選擇怎麼辦？在許多情況下，兩種模型的組合使用效果往往會優於每個單獨的模型的預測結果。研究已經發現，對同一數據集，堆疊模型可以實現較低的錯誤率， 但需要編寫合適的組合模型策略。