matlabSOM神經(jīng)網(wǎng)絡(luò)算法？使用newsom函數(shù)創(chuàng)建網(wǎng)絡(luò)：net=newsom(PR，[D1，D2，^]，TFCN，DFCN，OLR，OSTEPS，TLR，TND)PR:R個輸入元素的最大值和最小

matlabSOM神經(jīng)網(wǎng)絡(luò)算法？

使用newsom函數(shù)創(chuàng)建網(wǎng)絡(luò)：net=newsom(PR，[D1，D2，^]，TFCN，DFCN，OLR，OSTEPS，TLR，TND)PR:R個輸入元素的最大值和最小值的設(shè)定值，R*2維矩陣Di：第I層的維數(shù)，默認為[58]TFCN：拓撲函數(shù)，默認為hextopDFCN:距離函數(shù)，默認為linkdistOLR：分類階段學習速率，默認為0.9OSTEPS：分類階段的步長，默認為1000TLR：調(diào)諧階段的學習速率，默認為0.02TNS:調(diào)諧階段的領(lǐng)域距離，默認為1.例子：>> P=[rand(1，400)*2rand(1，400)]>> plot(P(1，:)，P(2，:)，"."，"markersize"，20)>> net=newsom([0 10 1]，[3 5])>> net=train(net，P)>> hold on>> plotsom(net.iw{1，1}，net.layers{1}.distances)>> hold off第二個函數(shù)：newc函數(shù)功能：該函數(shù)用于創(chuàng)建一個競爭層net=newcnet=newc(PR，S，KLR，CLR)S:神經(jīng)元的數(shù)目KLR：Kohonen學習速度，默認為0.01CLR：Conscience學習速度，默認為0.001net:函數(shù)返回值，一個新的競爭層。也可以參考附件的代碼，里面有一個案例是SOM神經(jīng)網(wǎng)絡(luò)的。

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？

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(luò)等深度學習算法需要訓練很大的數(shù)據(jù)集才能構(gòu)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(luò)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(luò)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(guān)注哦，謝謝！