既然使用神經(jīng)網(wǎng)絡(luò)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(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，你可以多表揚(yáng)，也可以關(guān)注它。謝謝您

決策樹算法怎么學(xué)習(xí)？

決策樹學(xué)習(xí)是一種操作邏輯支持的學(xué)習(xí)內(nèi)容。重要的是你首先要了解你所學(xué)的核心內(nèi)容。你可以順勢(shì)而為或逆勢(shì)而為，找到你需要的答案。這個(gè)過程可以是鏈?zhǔn)降?，也可以是網(wǎng)絡(luò)式的。你可以與中心建立或多或少的聯(lián)系，離核心更近，離核心不遠(yuǎn)。希望能對(duì)大家有所幫助

決策樹對(duì)于傳統(tǒng)統(tǒng)計(jì)方法的優(yōu)缺點(diǎn)：1。它可以生成可理解的規(guī)則；

2。計(jì)算量相對(duì)較?。?/p>

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(diǎn)：1。連續(xù)場(chǎng)的預(yù)測(cè)比較困難。對(duì)于具有時(shí)間序列的數(shù)據(jù)，需要進(jìn)行大量的預(yù)處理。當(dāng)類別太多時(shí)，錯(cuò)誤可能會(huì)增加得更快。一般算法在分類時(shí)，只根據(jù)一個(gè)字段進(jìn)行分類。決策樹方法具有組織清晰、程序嚴(yán)謹(jǐn)、定性與定量分析相結(jié)合、方法簡(jiǎn)單、易于掌握、適用性強(qiáng)、應(yīng)用廣泛等優(yōu)點(diǎn)。人們逐漸認(rèn)識(shí)到在進(jìn)行投資方案比選時(shí)，考慮時(shí)間因素，建立時(shí)間可比性原則和條件的重要性。在當(dāng)今社會(huì)經(jīng)濟(jì)活動(dòng)中，競(jìng)爭(zhēng)日趨激烈?，F(xiàn)代企業(yè)的經(jīng)營(yíng)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(rùn)，最大限度地降低經(jīng)營(yíng)風(fēng)險(xiǎn)，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(yíng)風(fēng)險(xiǎn)和風(fēng)險(xiǎn)經(jīng)營(yíng)方向。隨著經(jīng)濟(jì)的不斷發(fā)展，需要決策的企業(yè)數(shù)量必然會(huì)不斷增加，決策質(zhì)量的提高有賴于科學(xué)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(huì)提高。

決策樹法的優(yōu)缺點(diǎn)？

決策樹方法的關(guān)鍵步驟如下：1。繪制決策樹。繪制決策樹的過程是仔細(xì)思考和預(yù)測(cè)未來可能發(fā)生的各種事件的過程。這些情況用樹形圖表示。首先畫出決策點(diǎn)，然后找到方案分支和方案點(diǎn)，最后畫出概率分支。

2. 概率值由專家估計(jì)法或試驗(yàn)數(shù)據(jù)計(jì)算，概率值寫在概率分支的位置上。

3. 損益的預(yù)期值是從樹的頂部，從右到左計(jì)算的。采用期望值法進(jìn)行計(jì)算。如果決策目標(biāo)是盈利，則比較每個(gè)分支，選擇期望值最高的分支，然后修剪其他分支。

1. 決策樹易于理解和實(shí)現(xiàn)。經(jīng)過解釋，人們有能力理解決策樹的含義。

2. 對(duì)于決策樹來說，數(shù)據(jù)準(zhǔn)備往往是簡(jiǎn)單的或不必要的。其他技術(shù)通常需要數(shù)據(jù)泛化，例如刪除冗余或空白屬性。

3. 它可以同時(shí)處理數(shù)據(jù)類型和常規(guī)類型屬性。其他技術(shù)通常需要單個(gè)數(shù)據(jù)屬性。

4. 在相對(duì)較短的時(shí)間內(nèi)，對(duì)于大數(shù)據(jù)源可以取得可行的、良好的效果。

5. 它對(duì)缺少的值不敏感

6。它可以處理無關(guān)的特征數(shù)據(jù)

7。效率高。決策樹只需構(gòu)建一次，重復(fù)使用。每個(gè)預(yù)測(cè)的最大計(jì)算次數(shù)不超過決策樹的深度。

很難預(yù)測(cè)連續(xù)場(chǎng)。

2. 對(duì)于具有時(shí)間序列的數(shù)據(jù)，需要進(jìn)行大量的預(yù)處理。

3. 當(dāng)類別太多時(shí)，錯(cuò)誤可能會(huì)增加得更快。

4. 一般算法分類，只根據(jù)一個(gè)字段進(jìn)行分類。

5. 在處理特征相關(guān)性強(qiáng)的數(shù)據(jù)時(shí)，性能不是很好