決策樹樹算法目前的應(yīng)用場景有哪些？這兩個應(yīng)用場景不太一樣， kd樹在k近鄰優(yōu)化搜索時用的比較多. 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重復使用各維特征， 而決策樹一般每維度特

決策樹樹算法目前的應(yīng)用場景有哪些？

這兩個應(yīng)用場景不太一樣， kd樹在k近鄰優(yōu)化搜索時用的比較多. 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重復使用各維特征， 而決策樹一般每維度特征只會被用一次.(連續(xù)特征值是可以重復使用的，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！