既然使用神經網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？要看你的數據量和樣本數量，不同的樣本數量和特征數據量適合采用的算法都不一樣。神經網絡等深度學習算法需要訓練很大的數據集才能構

既然使用神經網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？

要看你的數據量和樣本數量，不同的樣本數量和特征數據量適合采用的算法都不一樣。神經網絡等深度學習算法需要訓練很大的數據集才能構建比較好的預測模型。很多互聯網大公司比較喜歡深度學習算法是他們獲得的用戶數據都是數以億計的海量數據，這是比較適合卷積神經網絡等深度學習算法。

如果你的樣本數量很少，比較合適的是使用SVM，決策樹等機器學習算法，如果你的數據集比較大，可以考慮使用卷積神經網絡等深度學習算法。

這有一個圖，就是說明任何根據樣本數量和數據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，也可以隨手點個關注哦，謝謝！

什么是決策樹法？

決策樹是一種常用于預測模型的算法，它通過將大量數據有目的分類，從中找到一些有價值的，潛在的信息。 它的主要問題是： id3是非遞增學習算法；id3決策樹是單變量決策樹，復雜概念的表達困難；同性間的相互關系強調不夠；抗噪性差。針對上述問題，出現了許多較好的改進算法，如 schlimmer和fisher設計了id4遞增式學習算法鐘鳴，陳文偉等提出了ible算法等。