" ফলিত ভবিষ্যদ্বাণীমূলক মডেলিং " পর্যালোচনা করে একজন পর্যালোচক বলেছেন :
আমার কাছে স্ট্যাটিস্টিকাল লার্নিংয়ের (এসএল) শিক্ষাগুলির একটি সমালোচনা হ'ল বিভিন্ন মডেলিং কৌশলগুলির মূল্যায়নে গণনা কর্মক্ষমতা বিবেচনার অনুপস্থিতি। বুটস্ট্র্যাপিং এর উপর জোর দেওয়া এবং সুর / পরীক্ষার মডেলগুলিতে ক্রস-বৈধকরণের সাথে, এসএল বেশ গণ্য-নিবিড়। এতে আরও যোগ করুন যে ব্যাগিং এবং বুস্ট করার মতো কৌশলগুলিতে এম্বেড হওয়া পুনরায় স্যাম্পলিং রয়েছে এবং বড় ডেটা সেটগুলির তদারকি করার জন্য আপনার কাছে গণনা নরকের স্পেকটার রয়েছে। প্রকৃতপক্ষে, আর এর স্মৃতিশক্তি বাধাগুলি এমন মডেলগুলির আকারের উপর বেশ তীব্র সীমাবদ্ধতা আরোপ করে যা এলোমেলো বনগুলির মতো শীর্ষস্থানীয় পদ্ধতিতে উপযুক্ত হতে পারে। যদিও এসএল ছোট ডেটা সেটগুলির বিপরীতে মডেল পারফরম্যান্সটি ক্যালিব্রেট করে তোলে তবে বড় ডেটার জন্য পারফরম্যান্স বনাম গণনা ব্যয় বুঝতে ভাল লাগবে।
আর মেমরির সীমাবদ্ধতাগুলি কী কী এবং এগুলি কী এমন মডেলগুলির আকারের উপর গুরুতর সীমাবদ্ধতা আরোপ করে যা এলোমেলো বনের মতো শীর্ষস্থানীয় পদ্ধতিতে উপযুক্ত হতে পারে ?