既然使用神經(jīng)網(wǎng)絡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)絡這樣的深度學習算法需要訓練大量的數(shù)據(jù)集來建立更好的預

既然使用神經(jīng)網(wǎng)絡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)絡這樣的深度學習算法需要訓練大量的數(shù)據(jù)集來建立更好的預測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學習算法，因為他們獲得的用戶數(shù)據(jù)是數(shù)以億計的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡等深度學習算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹和其他機器學習算法。如果你有一個大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡和其他深度學習算法。

這是一個機器學習算法，可選擇任意數(shù)量的樣本和圖形大小。

如果你認為它對你有幫助，你可以多表揚，也可以關(guān)注它。謝謝您

SVM在matlab中怎么實現(xiàn)？

在MATLAB中打開SVD的源代碼，可以看到只有一堆注釋，最后一條是函數(shù)是內(nèi)置函數(shù)。其實MATLAB的矩陣計算使用的是英特爾的MKL庫（見我之前寫的一個答案，怎么寫一個比MATLAB更快的矩陣計算程序？-這個庫基本上是現(xiàn)有Blas/LAPACK實現(xiàn)中速度最快的。SVD是LAPACK中的標準運算，因此matlab實際上使用MKL庫來進行SVD。MKL作為一個商業(yè)庫，它的算法細節(jié)和代碼是不公開的，而業(yè)界對于這一基本算法必然會有非常獨特的優(yōu)化，涉及到很多細節(jié)（算法本身的細節(jié)，以及代碼層面的細節(jié)）。奇異值分解的經(jīng)典算法有Golub-Kahan算法、分治算法和Jacobi算法。我猜MKL實現(xiàn)了分治算法。

SVM對歷史數(shù)據(jù)的擬合怎么做？

data0=加載（“d: 數(shù)據(jù).txt“”%column data=[]for I=1:length（Data0）-NN data（I，：）=Data0（I:inn-1）end