既然使用神經(jīng)網(wǎng)絡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)絡這樣的深度學習算法需要訓練大量的數(shù)據(jù)集來建立更好的預

既然使用神經(jīng)網(wǎng)絡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)絡這樣的深度學習算法需要訓練大量的數(shù)據(jù)集來建立更好的預測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學習算法，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)絡等深度學習算法。

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習算法。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)絡和其他深度學習算法。

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習算法。

如果你認為它對你有幫助，你可以多表揚，也可以關注它。謝謝您

決策樹法的優(yōu)缺點？

傳統(tǒng)統(tǒng)計方法中決策樹的優(yōu)缺點如下：

1。它可以生成可理解的規(guī)則；

2。計算量相對較??；

3。它可以處理連續(xù)和類型字段；

4。它可以清楚地顯示哪些字段更重要。缺點：1。連續(xù)場的預測比較困難。對于具有時間序列的數(shù)據(jù)，需要進行大量的預處理。當類別太多時，錯誤可能會增加得更快。一般算法在分類時，只根據(jù)一個字段進行分類。決策樹方法具有組織清晰、程序嚴謹、定性與定量分析相結(jié)合、方法簡單、易于掌握、適用性強、應用廣泛等優(yōu)點。人們逐漸認識到在進行投資方案比選時，考慮時間因素，建立時間可比性原則和條件的重要性。在當今社會經(jīng)濟活動中，競爭日趨激烈。現(xiàn)代企業(yè)的經(jīng)營方向面臨著多種選擇。如何利用最少的資源贏得最大的利潤，最大限度地降低經(jīng)營風險，是企業(yè)決策者經(jīng)常面臨的決策問題。決策樹方法可以幫助企業(yè)決策者分析企業(yè)經(jīng)營風險和風險經(jīng)營方向。隨著經(jīng)濟的不斷發(fā)展，需要決策的企業(yè)數(shù)量必然會不斷增加，決策質(zhì)量的提高有賴于科學的決策方法。如果企業(yè)的決策水平提高了，企業(yè)的管理水平就一定會提高。

決策樹法的優(yōu)缺點？

1. 決策樹分析方法能顯示決策過程，形象具體，容易發(fā)現(xiàn)問題。1決策樹分析可以將風險決策的各個環(huán)節(jié)聯(lián)系起來，形成一個統(tǒng)一的整體，有利于決策過程中的思考，便于比較各種方案的優(yōu)劣。三。決策樹分析可用于定性分析和定量計算。

決策樹分析法的決策準則是什么？

決策樹是一種基于已知各種情況發(fā)生概率的決策分析方法，通過構(gòu)造決策樹，計算凈現(xiàn)值期望值大于或等于零的概率，評價項目風險，判斷其可行性。它是一種直觀地運用概率分析的圖解方法。決策樹的優(yōu)點和缺點：1）能夠生成可理解的規(guī)則。

2）計算量相對較小。

3）您可以處理連續(xù)字段和類型字段。

4）決策樹可以清楚地顯示哪些字段更重要。缺點：1）難以預測連續(xù)場。2） 對于具有時間序列的數(shù)據(jù)，需要進行大量的預處理。3） 當類別太多時，錯誤可能會增加得更快。4） 一般算法分類，只根據(jù)一個字段進行分類。

決策樹的優(yōu)缺點是什么啊？

決策樹方法是管理者和決策分析人員經(jīng)常使用的有效決策工具。它有以下優(yōu)點：

1。決策樹列出了決策問題的所有可行方案和各種可能的自然狀態(tài)，以及每種可行方法在各種狀態(tài)下的期望值。

2. 它能直觀地顯示整個決策問題在不同時間和順序階段的決策過程。

3. 應用于復雜的多階段決策時，階段性明顯，層次明確，便于決策機關集體研究，并能慎重考慮各種因素，有利于正確決策。當然，決策樹方法并不完善，它也有一些缺點，如使用范圍有限，不能適用于一些不能用數(shù)量表示的決策；對各種方案發(fā)生概率的確定有時是主觀的，可能導致決策失誤；等等。

決策樹法適合什么決策？

決策樹方法是用樹形圖表示決策過程。樹形圖一般由決策點、方案分支、自然狀態(tài)點、概率分支和結(jié)果點組成。樹形圖顯示了兩個不同的決策環(huán)節(jié)，一個是主觀決策環(huán)節(jié)，另一個是客觀決策環(huán)節(jié)。決策樹方法適合于風險決策。