MLJ.jl项目中的神经网络模型分类优化

在机器学习领域，清晰的模型分类对于用户快速找到合适的工具至关重要。Julia生态中的MLJ.jl项目近期对其模型浏览器进行了重要改进，新增了"神经网络"分类，这一变化将显著提升用户体验。

背景与需求

MLJ.jl作为Julia语言的机器学习框架，提供了丰富的模型浏览器功能，原有分类包括"贝叶斯模型"、"迭代模型"和"类别不平衡处理"等。然而，随着MLJFlux等深度学习相关包的加入，原有的分类体系已无法充分展示项目的完整能力。

技术决策

经过社区讨论，项目决定采用"神经网络"而非"深度学习"作为新分类名称，这一决策基于以下技术考量：

1. 术语准确性：神经网络是更基础、更明确的术语，涵盖了从简单感知器到复杂架构的各种模型
2. 历史延续性：神经网络概念自1960年代就已存在，具有更长的学术历史
3. 范围清晰性：避免了"深度学习"定义模糊的问题（如"多深才算深"）

实现内容

新分类将包含以下主要模型类型：

• MLJFlux提供的标准神经网络模型
• BetaML包中的自动编码器(AutoEncoder)
• 多目标神经网络回归器(MultitargetNeuralNetworkRegressor)
• 神经网络分类器(NeuralNetworkClassifier)
• 神经网络回归器(NeuralNetworkRegressor)

值得注意的是，虽然Flux框架理论上可以构建任何可微分函数，但在实际应用中，绝大多数MLJFlux模型都属于传统神经网络范畴。

技术考量

在分类过程中，项目团队对边界情况进行了审慎处理：

1. 感知器(Perceptron)等早期神经网络模型虽然结构简单，但因历史渊源仍被纳入
2. 线性/逻辑回归等广义线性模型未被包含，尽管它们可视为单层神经网络的特例
3. 梯度提升树等使用梯度下降但不属于神经网络的方法被明确排除

这一改进使MLJ.jl的模型组织结构更加清晰，降低了用户的学习曲线，特别是对刚接触Julia机器学习生态的用户而言，能够更直观地发现和使用神经网络相关功能。项目团队同时计划将这一分类标准同步到LearnAPI.jl的相关文档中，保持生态内术语的一致性。