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？要看你的數(shù)據(jù)量和樣本數(shù)量，不同的樣本數(shù)量和特征數(shù)據(jù)量適合采用的算法都不一樣。神經(jīng)網(wǎng)絡等深度學習算法需要訓練很大的數(shù)據(jù)集才能構

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？

要看你的數(shù)據(jù)量和樣本數(shù)量，不同的樣本數(shù)量和特征數(shù)據(jù)量適合采用的算法都不一樣。神經(jīng)網(wǎng)絡等深度學習算法需要訓練很大的數(shù)據(jù)集才能構建比較好的預測模型。很多互聯(lián)網(wǎng)大公司比較喜歡深度學習算法是他們獲得的用戶數(shù)據(jù)都是數(shù)以億計的海量數(shù)據(jù)，這是比較適合卷積神經(jīng)網(wǎng)絡等深度學習算法。

如果你的樣本數(shù)量很少，比較合適的是使用SVM，決策樹等機器學習算法，如果你的數(shù)據(jù)集比較大，可以考慮使用卷積神經(jīng)網(wǎng)絡等深度學習算法。

這有一個圖，就是說明任何根據(jù)樣本數(shù)量和數(shù)據(jù)集大小來選擇機器學習算法的。

如果覺得對您有幫助，可以多多點贊哦，也可以隨手點個關注哦，謝謝！

什么是決策樹法？

決策樹是一種常用于預測模型的算法，它通過將大量數(shù)據(jù)有目的分類，從中找到一些有價值的，潛在的信息。 它的主要問題是： id3是非遞增學習算法；id3決策樹是單變量決策樹，復雜概念的表達困難；同性間的相互關系強調(diào)不夠；抗噪性差。針對上述問題，出現(xiàn)了許多較好的改進算法，如 schlimmer和fisher設計了id4遞增式學習算法鐘鳴，陳文偉等提出了ible算法等。