既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問(wèn)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(lái)建立更好的預(yù)

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問(wèn)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(lái)建立更好的預(yù)測(cè)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?yàn)樗麄儷@得的用戶數(shù)據(jù)是數(shù)以億計(jì)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(jī)器學(xué)習(xí)算法。如果你有一個(gè)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(gè)圖表，用于說(shuō)明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機(jī)器學(xué)習(xí)算法。

如果你認(rèn)為它對(duì)你有幫助，你可以多表?yè)P(yáng)，也可以關(guān)注它。謝謝您

決策樹分類的主要步驟？

（1）繪制決策樹。從左到右繪制決策樹的過(guò)程就是決策問(wèn)題的再分析過(guò)程。（2） 從右到左計(jì)算每個(gè)方案的期望值，并將結(jié)果寫在對(duì)應(yīng)方案節(jié)點(diǎn)的頂部。（3） 通過(guò)比較各方案的期望值，進(jìn)行剪枝優(yōu)化。數(shù)據(jù)挖掘，又稱數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)，是從海量數(shù)據(jù)中智能地、自動(dòng)地提取出有用的、可信的、有效的、可理解的模式的過(guò)程。分類是數(shù)據(jù)挖掘的重要內(nèi)容之一。目前，分類已廣泛應(yīng)用于醫(yī)療診斷、天氣預(yù)報(bào)、信用確認(rèn)、客戶識(shí)別、欺詐篩選等領(lǐng)域，分類方法多種多樣，其中決策樹分類是海量數(shù)據(jù)環(huán)境中應(yīng)用最為廣泛的分類方法。原因如下：

1。決策樹分類的直觀表示方法更容易轉(zhuǎn)化為標(biāo)準(zhǔn)的數(shù)據(jù)庫(kù)查詢

2。決策樹分類和歸納的方法是有效的，特別適用于大數(shù)據(jù)集。在決策樹分類的過(guò)程中，除了根據(jù)集合中包含的信息數(shù)進(jìn)行分類外，不需要額外的信息。決策樹分類模型精度高。本文首先研究了分類模型的評(píng)價(jià)方法。在此基礎(chǔ)上，重點(diǎn)研究了決策樹分類方法，并分析了決策樹算法的可擴(kuò)展性。最后給出了一種基于oledb的DM開發(fā)決策樹分類預(yù)測(cè)方法