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。

以下是一個圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機器學習算法。

如果你認為它對你有幫助，你可以多表揚，也可以關注它。謝謝您

卷積神經(jīng)網(wǎng)絡作為特征提取器，用訓練集訓練好的神經(jīng)網(wǎng)絡可以提取訓練集的特征嗎？還是只能提取測試集的？

1. 卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)

2。卷積神經(jīng)網(wǎng)絡的發(fā)展歷史

3。反向傳播

當用訓練集訓練卷積神經(jīng)網(wǎng)絡（CNN）時，卷積神經(jīng)網(wǎng)絡正向傳播的卷積池過程就是特征提取過程。最后，計算出網(wǎng)絡的損失函數(shù)，然后根據(jù)鏈導數(shù)規(guī)則，利用反向傳播算法更新網(wǎng)絡的權(quán)值參數(shù)。這是調(diào)整各層網(wǎng)絡和卷積核的特征抽取器的參數(shù)（各層的特征和功能不同）。

訓練是為了使整個卷積神經(jīng)網(wǎng)絡的特征提取效果更好（越來越適合于訓練集），所以訓練后的卷積神經(jīng)網(wǎng)絡可以提取訓練集的特征。

運行測試集的目的是測試特征提取器的能力。此時，通過訓練集對CNN各層的參數(shù)進行訓練，可以提取出相似訓練集的參數(shù)（圖像、聲音、文本）。此時，我們需要再次運行測試集來測試CNN的特征提取能力。

數(shù)據(jù)集：機器學習任務中使用的一組數(shù)據(jù)，每個數(shù)據(jù)集稱為一個樣本。反映樣品在某一方面的性能或性質(zhì)的項目或?qū)傩苑Q為特征。

訓練集：訓練過程中使用的數(shù)據(jù)集，其中每個訓練樣本稱為訓練樣本。從數(shù)據(jù)中學習模型的過程稱為學習（訓練）。

測試集：學習模型后，將其用于預測的過程稱為測試，使用的數(shù)據(jù)集稱為測試集，每個樣本稱為測試樣本。

cnn卷積神經(jīng)網(wǎng)絡中的卷積核怎么確定？

從模型中學習卷積參數(shù)，手動確定卷積核的大小和數(shù)目。二維卷積核的大小通常是奇數(shù)，例如1*1、3*3、5*5、7*7。卷積核數(shù)是網(wǎng)絡中的信道數(shù)。常用的是128 256 512，需要根據(jù)具體任務來確定。

另外，最近，神經(jīng)網(wǎng)絡自動搜索結(jié)構(gòu)非常流行，最著名的是Google的nasnet，它使用一些啟發(fā)式遍歷來尋找特定數(shù)據(jù)集的最優(yōu)網(wǎng)絡結(jié)構(gòu)