花哨的深度学习架构主要通过利用数据中的结构来工作。我想到了置换不变性或等变性、时间结构和空间结构。也许某些功能基于一组相同的对象？大多数好处来自共享权重和学习共享表示。另一个潜在的好处是输出的灵活性，尽管这与您的情况不太相关。如果您在另一个具有相同特征的任务上有更多标记数据，您可以在该任务上预训练一个更大的模型，然后在当前任务上微调该网络。其余的如果不举一些例子就很难说。

给定 35 个数字特征和 3 个类，也许首先尝试使用 SVM 或随机森林的变体来处理数据——这些都不是深度学习，但它们速度快，非常适合基准测试/故障排除：

• SVM：@Media 提到了线性支持向量机，但如果您的数据不是线性可分的，那么您还可以使用非线性内核或软边距分类器：http ://scikit-learn.org/stable/modules/svm.html

• 随机森林：一种将决策树与您的数据相匹配的集成方法，有大量变体（装袋、增强）： https ://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm

如果您已经这样做了，您可以使用受限的 Boltzmann 机器来构建数据的生成模型，或者使用无监督算法（如自动编码器或自组织映射）来降低数据的维度，然后将其用作输入到您的 MLP/SVM/softmax 分类器。

• Restricted Boltzmann Machines：这里对工作流程的简要描述如何使用 RBM 进行分类？以及有关 Hinton 培训的更多详细信息：https ://www.cs.toronto.edu/~hinton/absps/guideTR.pdf

• 自组织地图：关于什么的好页面：http ://www.ai-junkie.com/ann/som/som1.html 并在 tensorflow 中实现：https ://codesachin.wordpress.com/2015/11/28 /self-organizing-maps-with-googles-tensorflow/当然你可以选择你的输出结构。

还有其他选择，但在构建完整的 CNN 等之前，可能值得找出更快、更具解释性的算法会得到什么样的结果。