1. 通俗解释
浅层机器学习算法（如逻辑回归、决策树、支持向量机等）和深度学习算法（如神经网络）在特征工程上的依赖性确实存在一些差异。
-
浅层机器学习算法的特征工程依赖性：
- 浅层算法通常需要手工选择和设计特征，这些特征往往直接影响模型的性能。特征工程包括但不限于数据清洗、缺失值填充、特征变换、特征选择等步骤。
- 对于不同的问题和数据集，需要针对性地选择适当的特征工程方法，以提取出最能表征数据的特征。
- 特征工程的质量往往直接影响了浅层机器学习算法的性能，差的特征工程可能导致模型性能下降。
-
深度学习算法的特征工程依赖性：
- 相较于浅层算法，深度学习算法在某种程度上减少了对手工设计特征的需求。它们可以自动地从原始数据中学习到更高级别的特征表示。
- 深度学习算法具有更强大的表达能力，可以在一定程度上克服特征工程的限制。通过层次化的特征表示学习，深度学习模型可以发现数据中的抽象特征。
- 但是，深度学习算法并不完全消除对特征工程的依赖。在实践中，合适的数据预处理、标准化、归一化等仍然是必要的步骤。
- 此外，虽然深度学习可以学习到复杂的特征表示，但对于特征的选择、组合等方面，仍然可能需要人工的干预。
2. 补充解释（多啰嗦一次）
深度学习也在一定程度上依赖特征工程，但相对浅层机器学习算法而言，深度学习的特征工程方式有所不同，这导致了人们通常认为浅层机器学习算法对特征工程有更高的依赖性。
首先，浅层机器学习算法通常要求输入数据具有特定的表示形式，即需要人工进行特征提取和选择。这意味着，为了使算法能够有效工作，必须预先对数据进行预处理和转换，以便提取出有意义的特征。这个过程往往需要专业知识和经验，并且可能涉及复杂的转换和编码步骤。
相比之下，深度学习模型具有自动特征提取的能力。通过训练深度神经网络，模型可以学习从原始数据中提取有用的特征表示。这使得深度学习在一定程度上减少了对手动特征工程的依赖。然而，这并不意味着深度学习完全不需要特征工程。实际上，在训练深度学习模型之前，仍然需要进行一些基本的预处理步骤，如数据清洗、归一化和标准化等。
此外，尽管深度学习能够自动学习特征，但在某些情况下，手动设计的特征仍然可以提供额外的信息或改善模型的性能。因此，在实际应用中，特征工程仍然是深度学习中的一个重要环节，尽管其方式和目的可能与浅层机器学习有所不同。
综上所述，虽然深度学习也涉及特征工程，但由于其自动特征提取的能力，相对浅层机器学习算法而言，对特征工程的依赖性较低。然而，这并不意味着深度学习完全摆脱了特征工程的需要，而是说特征工程在深度学习中的角色和方式发生了变化。
