既然使用神經網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？這取決于數據量和樣本數。不同的樣本數和特征數據適合不同的算法。像神經網絡這樣的深度學習算法需要訓練大量的數據集來建立更好的預

既然使用神經網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？

這取決于數據量和樣本數。不同的樣本數和特征數據適合不同的算法。像神經網絡這樣的深度學習算法需要訓練大量的數據集來建立更好的預測模型。許多大型互聯(lián)網公司更喜歡深度學習算法，因為他們獲得的用戶數據是數以億計的海量數據，這更適合于卷積神經網絡等深度學習算法。

如果樣本數量較少，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據集，你可以考慮使用卷積神經網絡和其他深度學習算法。

以下是一個圖表，用于說明根據樣本數量和數據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

卷積神經網絡作為特征提取器，用訓練集訓練好的神經網絡可以提取訓練集的特征嗎？還是只能提取測試集的？

1. 卷積神經網絡結構

2。卷積神經網絡的發(fā)展歷史

3。反向傳播

當用訓練集訓練卷積神經網絡（CNN）時，卷積神經網絡正向傳播的卷積池過程就是特征提取過程。最后，計算出網絡的損失函數，然后根據鏈導數規(guī)則，利用反向傳播算法更新網絡的權值參數。這是調整各層網絡和卷積核的特征抽取器的參數（各層的特征和功能不同）。

訓練是為了使整個卷積神經網絡的特征提取效果更好（越來越適合于訓練集），所以訓練后的卷積神經網絡可以提取訓練集的特征。

運行測試集的目的是測試特征提取器的能力。此時，通過訓練集對CNN各層的參數進行訓練，可以提取出相似訓練集的參數（圖像、聲音、文本）。此時，我們需要再次運行測試集來測試CNN的特征提取能力。

數據集：機器學習任務中使用的一組數據，每個數據集稱為一個樣本。反映樣品在某一方面的性能或性質的項目或屬性稱為特征。

訓練集：訓練過程中使用的數據集，其中每個訓練樣本稱為訓練樣本。從數據中學習模型的過程稱為學習（訓練）。

測試集：學習模型后，將其用于預測的過程稱為測試，使用的數據集稱為測試集，每個樣本稱為測試樣本。

cnn卷積神經網絡中的卷積核怎么確定？

從模型中學習卷積參數，手動確定卷積核的大小和數目。二維卷積核的大小通常是奇數，例如1*1、3*3、5*5、7*7。卷積核數是網絡中的信道數。常用的是128 256 512，需要根據具體任務來確定。

另外，最近，神經網絡自動搜索結構非常流行，最著名的是Google的nasnet，它使用一些啟發(fā)式遍歷來尋找特定數據集的最優(yōu)網絡結構