既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？

這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學(xué)習(xí)算法，因?yàn)樗麄儷@得的用戶數(shù)據(jù)是數(shù)以億計(jì)的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹和其他機(jī)器學(xué)習(xí)算法。如果你有一個(gè)大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學(xué)習(xí)算法。

以下是一個(gè)圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機(jī)器學(xué)習(xí)算法。

如果你認(rèn)為它對你有幫助，你可以多表揚(yáng)，也可以關(guān)注它。謝謝您

svm分類算法原理？

基本模型定義為特征空間中區(qū)間最大的線性分類器，其學(xué)習(xí)策略是區(qū)間最大化，最終可轉(zhuǎn)化為凸二次規(guī)劃問題。

如何使用自己訓(xùn)練的分類器opencv svm hog？

我的個(gè)人測試很有效：使用hog SVM來訓(xùn)練你自己的分類器

#實(shí)例化并提取hog特征類

hog=CV2。Hogdescriptor（）]#加載您自己的分類器弓形負(fù)載(" myHogDector.bin文件“）

#閱讀圖片

img=CV2。讀?。‵，CV2。顏色）ubgr2灰色）

矩形，ux=hog.detect多尺度（img，winStride=（4，4），padding=（8，8），scale=1.05）

對于矩形中的（x，y，w，h）：

cv2.rectangle（img，（x，y），（x w，y h），（0，0255），2）

cv2.imshow（“{}.”format（i），img）

svm什么意思？