广义可加模型与神经网络在实际应用中的比较：系统综述
机器学习
2026-01-06 v2 机器学习
摘要
神经网络已成为预测建模中流行的工具，较常与机器学习和人工智能联系起来，而非统计学。广义可加模型（GAMs）是一种保持可解释性的灵活非线性统计模型。两者各自都是最先进的方法，各有优缺点。本文分析了这两种模型类别在真实表格数据上的表现。遵循PRISMA指南，我们对进行经验比较的论文进行了系统综述。筛选出的论文共143篇，涉及430个数据集。提取并报告了论文和数据集层面的关键属性。除了总结比较结果外，我们还使用混合效应模型分析报告的性能指标，以检验可能解释观察差异的特征，包括应用领域、研究年份、样本量、预测变量数量以及神经网络复杂度。对于最常报告的指标（RMSE、和AUC），未发现GAMs或神经网络始终占优。神经网络在数据集较大且预测变量较多时表现更好，但这种优势随时间的推移而缩小。相比之下，GAMs在小数据集场景下仍保持竞争力，同时保留可解释性。在大量文献中，数据集特征和神经网络复杂度的报告不完整，这限制了透明度和可重复性。本综述表明，GAMs和神经网络应被视为互补的方法而非竞争对手。在许多表格应用中，性能权衡有限， 可解释性可能更倾向于GAMs。
引用
@article{arxiv.2510.24601,
title = {Comparison of generalised additive models and neural networks in applications: A systematic review},
author = {Jessica Doohan and Lucas Kook and Kevin Burke},
journal= {arXiv preprint arXiv:2510.24601},
year = {2026}
}