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

第六課作業(yè)隨機森林的過程，準確率不高，用什么手段分類準確率？

隨機林是一種集成分類器。分析了影響隨機林性能的參數(shù)。結(jié)果表明，隨機林中的樹數(shù)對隨機林的性能有重要影響。研究總結(jié)了林木株數(shù)的確定方法和隨機森林經(jīng)營指數(shù)的評價方法。以分類精度為評價方法，利用UCI數(shù)據(jù)集分析了隨機森林中決策樹數(shù)目與數(shù)據(jù)集之間的關系。實驗結(jié)果表明，對于大多數(shù)數(shù)據(jù)集，當樹數(shù)為100時，分類精度可以滿足要求。實驗結(jié)果表明，隨機森林的分類性能與支持向量機相當。