決策樹樹算法目前的應(yīng)用場(chǎng)景有哪些？這兩個(gè)應(yīng)用場(chǎng)景不太一樣， kd樹在k近鄰優(yōu)化搜索時(shí)用的比較多. 如果非要找不同， 比較典型的應(yīng)該就是: kd樹在建樹的過程中會(huì)重復(fù)使用各維特征， 而決策樹一般每維度特

決策樹樹算法目前的應(yīng)用場(chǎng)景有哪些？

這兩個(gè)應(yīng)用場(chǎng)景不太一樣， kd樹在k近鄰優(yōu)化搜索時(shí)用的比較多. 如果非要找不同， 比較典型的應(yīng)該就是: kd樹在建樹的過程中會(huì)重復(fù)使用各維特征， 而決策樹一般每維度特征只會(huì)被用一次.(連續(xù)特征值是可以重復(fù)使用的，如C4.5)

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(xué)習(xí)算法需要訓(xùn)練很大的數(shù)據(jù)集才能構(gòu)建比較好的預(yù)測(cè)模型。很多互聯(lián)網(wǎng)大公司比較喜歡深度學(xué)習(xí)算法是他們獲得的用戶數(shù)據(jù)都是數(shù)以億計(jì)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(xué)習(xí)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(jī)器學(xué)習(xí)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(xué)習(xí)算法。

這有一個(gè)圖，就是說(shuō)明任何根據(jù)樣本數(shù)量和數(shù)據(jù)集大小來(lái)選擇機(jī)器學(xué)習(xí)算法的。

如果覺得對(duì)您有幫助，可以多多點(diǎn)贊哦，也可以隨手點(diǎn)個(gè)關(guān)注哦，謝謝！