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)

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，就是說明任何根據(jù)樣本數(shù)量和數(shù)據(jù)集大小來選擇機(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！

以神經(jīng)網(wǎng)絡(luò)為核心的智能算法是否可以預(yù)測(cè)股票價(jià)格？

毫無(wú)疑問，優(yōu)秀的神經(jīng)網(wǎng)絡(luò)模型能夠更加準(zhǔn)確地預(yù)測(cè)股票未來走勢(shì)。

如何才能創(chuàng)建一個(gè)優(yōu)秀的神經(jīng)網(wǎng)絡(luò)模型呢？

1． 選擇關(guān)聯(lián)度高的因子

舉個(gè)例子，要預(yù)測(cè)一個(gè)人是男還是女，有以下兩組因子可供選擇：

A. 頭發(fā)顏色、皮膚顏色、是否雙眼皮

B. 是否長(zhǎng)胡子、是否有喉結(jié)、體重

這簡(jiǎn)直就是送分題，選項(xiàng)B幾乎能夠完全準(zhǔn)確的預(yù)測(cè)出真實(shí)結(jié)果。

所以要想創(chuàng)建優(yōu)秀的神經(jīng)網(wǎng)絡(luò)模型，必須選擇關(guān)聯(lián)度高的因子。

2． 選擇合理的神經(jīng)網(wǎng)絡(luò)架構(gòu)

同樣的因子，在不同的神經(jīng)網(wǎng)絡(luò)架構(gòu)下，預(yù)測(cè)出的結(jié)果會(huì)大不相同。

結(jié)構(gòu)過于簡(jiǎn)單，會(huì)存在“欠擬合”的情況，簡(jiǎn)單說就是該分析出來的沒分析出來；結(jié)構(gòu)過于復(fù)雜，又會(huì)出現(xiàn)“過擬合”的情況，簡(jiǎn)單說就是不該分析出來的分析出來了。恰到好處的網(wǎng)絡(luò)結(jié)構(gòu)，才能夠分析出想要的結(jié)果。

以過擬合舉個(gè)例子：

一名學(xué)生，生活在一個(gè)偏遠(yuǎn)的A村，考上了城里的B高中，他是村子有史以來唯一考上B高中的人，高考后，又如愿考上了清華大學(xué)。

如果模型出現(xiàn)過擬合，就會(huì)認(rèn)為：“生活在A村”并且“就讀于B高中”的人，100%能夠考上清華大學(xué)。這是事實(shí)，但顯然不是我們想要的結(jié)論。

直接上圖：

巴菲特，公認(rèn)的投資大師，在過去的20年平均回報(bào)率高達(dá)20%；詹姆斯.西蒙斯，運(yùn)用他的量化模型，1989-2009年，平均回報(bào)率約35%。

神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)股票走勢(shì)必將大勢(shì)所趨。

關(guān)注我！

用數(shù)據(jù)說話，探索投資方向。