svm在多類分類算法中的分析和應(yīng)用？群集不知道將有多少個群集。它可以分為10個簇或100個簇。它只根據(jù)一些相似性條件來聚集數(shù)據(jù)。當(dāng)然，也有一些聚類算法允許用戶定義聚類的數(shù)目，但數(shù)目并不容易確定。分類就

svm在多類分類算法中的分析和應(yīng)用？

群集不知道將有多少個群集。它可以分為10個簇或100個簇。它只根據(jù)一些相似性條件來聚集數(shù)據(jù)。當(dāng)然，也有一些聚類算法允許用戶定義聚類的數(shù)目，但數(shù)目并不容易確定。分類就是知道類的總數(shù)，并清楚地知道類的特征，然后根據(jù)一定的規(guī)則將未知的類劃分成一定的類。聚類數(shù)據(jù)集應(yīng)該更多，這樣就可以在一堆中收集東西。分類可以多多少少，當(dāng)然大量的數(shù)據(jù)可以很好的說明優(yōu)秀的分類算法。但事實上，在分類算法確定了一些規(guī)則之后，你只能有一個未知的數(shù)據(jù)，你也可以把它分成某個類別。但是，如果聚類中只有一個未知數(shù)據(jù)，如何收集它呢。

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，因為他們獲得的用戶數(shù)據(jù)是數(shù)以億計的海量數(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、決策樹和其他機器學(xué)習(xí)算法。如果你有一個大的數(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，也可以關(guān)注它。謝謝您！