Ниже — сжатое, но практическое сравнение «классических» методов (логистическая регрессия, SVM, случайный лес) и современных нейросетевых архитектур (глубокие MLP/CNN/RNN/Transformer/GNN и т. п.) по запрошенным критериям, с примерами предпочтительных задач.

Коротко о терминах

«Классические» — модели для табличных/фиксированных по длине признаков; часто требуют явного инжиниринга признаков.«Современные нейросети» — глубокие архитектуры, способные учиться представлениям из сырых/неструктурированных данных (изображения, текст, аудио, графы и т.д.).

1) Требования к объёму данных

Логистическая регрессия
Хорошо работает на малых и средних выборках. Требует меньше данных при разумной регуляризации.SVM
Для линейного SVM — как лог. регрессия; для SVM с ядром — часто эффективен на малых/средних данных (но плохо масштабируется на большие n).Случайный лес
Устойчив на небольших и средних данных, нередко даёт хорошие результаты «из коробки» без тонкой настройки.Нейросети (CNN/Transformer/и т. п.)
Чувствительны к объёму данных: для обучения с нуля обычно нужны большие датасеты. Однако благодаря transfer learning (предобученным моделям) можно добиться отличных результатов и на небольших данных.

2) Интерпретируемость

Логистическая регрессия
Очень интерпретируема: коэффициенты прямо показывают влияние признаков (при корректной предобработке).SVM
Линейный SVM — сравнительно интерпретируем; SVM с ядром — трудноинтерпретируем (решающее правило в высоких/бесконечных признаковых пространствах).Случайный лес
Средняя интерпретируемость: есть способы (feature importance, частичные зависимости, деревья-правила), но ансамбль из многих деревьев — не «прозрачен».Нейросети
По умолчанию — «чёрный ящик». Есть пост-хок методы (SHAP/LIME, attention-visualization, saliency maps), но они дают приближённую интерпретацию, часто менее надёжную, чем линейные коэффициенты.

3) Время обучения (и вычислительные ресурсы)

Логистическая регрессия
Быстрое обучение (выпуклая оптимизация), хорошо работает на CPU; масштабируется линейно по числу объектов и признаков.SVM
Линейный SVM — быстро при правильной реализации; SVM с ядром — медленно и памятьёмко при больших n (обычно O(n^2) или хуже по памяти).Случайный лес
Обучение параллелимо (деревья строятся независимо), но при большом числе деревьев и глубоком росте — затратно. На CPU обычно быстрее, чем глубокие сети.Нейросети
Часто требуют значительно больше времени и GPU/TPU для обучения, особенно глубокие архитектуры; обучение — итеративное, чувствительно к гиперпараметрам. Но хорошо масштабируется по данным (стадион/mini-batch) и по аппаратуре.

Дополнение: если считать время вывода (inference) — классические модели обычно быстрее на CPU; нейросети при оптимизации (квантовании, ускорителях) тоже могут обеспечивать низкое время вывода.

4) Возможности обобщения на «нерегулярных» признаках
(под «нерегулярными» обычно понимают нерегулярные/структурированные/вариабельные по длине данные: изображения, текст, аудио, графы, пропуски, категориальные со множественными уровнями и т. п.)

Логистическая регрессия / SVM / случайный лес
Работают с фиксированными числовыми векторами. Для «нерегулярных» данных требуется явный feature engineering (bag-of-words, TF-IDF, статистики по окнам, агрегации графовых признаков и т. п.).Случайный лес лучше справляется с категориальными данными и пропущенными значениями «из коробки».Без качественной предобработки эти методы обычно хуже, чем специализированные нейросети, на изображениях/аудио/длинных текстах/графах.Нейросети
Имеют архитектуры, специально предназначенные для нерегулярных структур: CNN — для локальной (свёрточной) структуры (изображения, аудиоспектрограммы), RNN/Transformer — для последовательностей (текст, аудио), GNN — для графов. Могут обучать представления напрямую из сырых данных и лучше обобщать сложные пространственные/временные/структурные закономерности.Могут работать с переменной длиной входа, с необработанными пикселями/токенами и т.д., уменьшая потребность сильного ручного инжиниринга.

Практические предпочтения — примеры задач

Логистическая регрессия — когда важна интерпретируемость и простота:
Медицинские/финансовые скоринговые модели (когда нужно объяснить решение регуляторам).Базовые бинарные классификаторы на табличных данных, быстрые baseline’ы.SVM — когда датасет невелик, признаки информативны и возможно наличие разделяющей гиперплоскости:
Классификация текстов на малых коллекциях (TF-IDF вектора).Некоторые задачи биоинформатики (малые выборки, высокое число признаков).Однако для больших данных часто переходят на другие методы из-за масштабируемости.Случайный лес — табличные данные с разными типами признаков, пропусками, малое/среднее число примеров; нужен «работающий» алгоритм без сложной настройки:
Прогнозирование оттока клиентов, кредитный скоринг (когда важна устойчивость модели к шуму).Детектирование аномалий/мошенничества (в сочетании с фичами-инженерингом).Задачи, где полезны оценки важности признаков.Нейросети (CNN/Transformer/GNN и т. п.) — когда данные большие и/или структурированы:
Компьютерное зрение (детекция, сегментация, классификация изображений) — CNN/Transformers.Обработка естественного языка (перевод, Q&A, извлечение сущностей) — Transformers.Рекомендательные системы на больших объёмах поведения пользователей — глубокие модели + embedding’и.Анализ графовых структур (молекулы, социальные сети) — GNN.Задачи с сырыми сигналами (аудио, сенсоры), где полезно извлекать признаки автоматически.

Дополнительные практические замечания

Часто оптимальным является гибридный подход:
Сначала пользоваться нейросетью для извлечения признаков (эмбеддинги), а затем подавать их в классический классификатор (RF, логистическая регрессия) — иногда повышает стабильность и интерпретируемость.Для малых датасетов разумны transfer learning (предобученные сети) или ансамбли классических методов.Выбор зависит не только от точности, но и от требований к объяснимости, вычислительным ресурсам, скорости вывода и стоимости сбора данных.

Краткий свод (очень упрощённо)

Малые данные + требование интерпретируемости → логистическая регрессия / линейный SVM.Табличные данные, разные типы признаков, хорошие «out-of-the-box» результаты → случайный лес / градиентный бустинг.Большие данные, нерегулярные/структурированные входы и сложные паттерны → современные нейросети.

Если хотите, могу:

привести конкретные метрики/сложности (временные/памятные оценки) для каждой модели;описать, как сочетать нейросети с классическими моделями на практике (пример pipeline);порекомендовать выбор модели для вашей конкретной задачи — опишите данные и ограничения.