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(guān)注它。謝謝您

決策樹算法怎么學習？

決策樹學習是一種操作邏輯支持的學習內(nèi)容。重要的是你首先要了解你所學的核心內(nèi)容。你可以順勢而為或逆勢而為，找到你需要的答案。這個過程可以是鏈式的，也可以是網(wǎng)絡式的。你可以與中心建立或多或少的聯(lián)系，離核心更近，離核心不遠。希望能對大家有所幫助

決策樹對于傳統(tǒng)統(tǒng)計方法的優(yōu)缺點：1。它可以生成可理解的規(guī)則；

2。計算量相對較??；

3。它可以處理連續(xù)和類型字段；

4。它可以清楚地顯示哪些字段更重要。缺點：1。連續(xù)場的預測比較困難。對于具有時間序列的數(shù)據(jù)，需要進行大量的預處理。當類別太多時，錯誤可能會增加得更快。一般算法在分類時，只根據(jù)一個字段進行分類。決策樹方法具有組織清晰、程序嚴謹、定性與定量分析相結(jié)合、方法簡單、易于掌握、適用性強、應用廣泛等優(yōu)點。人們逐漸認識到在進行投資方案比選時，考慮時間因素，建立時間可比性原則和條件的重要性。在當今社會經(jīng)濟活動中，競爭日趨激烈?，F(xiàn)代企業(yè)的經(jīng)營方向面臨著多種選擇。如何利用最少的資源贏得最大的利潤，最大限度地降低經(jīng)營風險，是企業(yè)決策者經(jīng)常面臨的決策問題。決策樹方法可以幫助企業(yè)決策者分析企業(yè)經(jīng)營風險和風險經(jīng)營方向。隨著經(jīng)濟的不斷發(fā)展，需要決策的企業(yè)數(shù)量必然會不斷增加，決策質(zhì)量的提高有賴于科學的決策方法。如果企業(yè)的決策水平提高了，企業(yè)的管理水平就一定會提高。

決策樹法的優(yōu)缺點？

決策樹方法的關(guān)鍵步驟如下：1。繪制決策樹。繪制決策樹的過程是仔細思考和預測未來可能發(fā)生的各種事件的過程。這些情況用樹形圖表示。首先畫出決策點，然后找到方案分支和方案點，最后畫出概率分支。

2. 概率值由專家估計法或試驗數(shù)據(jù)計算，概率值寫在概率分支的位置上。

3. 損益的預期值是從樹的頂部，從右到左計算的。采用期望值法進行計算。如果決策目標是盈利，則比較每個分支，選擇期望值最高的分支，然后修剪其他分支。

1. 決策樹易于理解和實現(xiàn)。經(jīng)過解釋，人們有能力理解決策樹的含義。

2. 對于決策樹來說，數(shù)據(jù)準備往往是簡單的或不必要的。其他技術(shù)通常需要數(shù)據(jù)泛化，例如刪除冗余或空白屬性。

3. 它可以同時處理數(shù)據(jù)類型和常規(guī)類型屬性。其他技術(shù)通常需要單個數(shù)據(jù)屬性。

4. 在相對較短的時間內(nèi)，對于大數(shù)據(jù)源可以取得可行的、良好的效果。

5. 它對缺少的值不敏感

6。它可以處理無關(guān)的特征數(shù)據(jù)

7。效率高。決策樹只需構(gòu)建一次，重復使用。每個預測的最大計算次數(shù)不超過決策樹的深度。

很難預測連續(xù)場。

2. 對于具有時間序列的數(shù)據(jù)，需要進行大量的預處理。

3. 當類別太多時，錯誤可能會增加得更快。

4. 一般算法分類，只根據(jù)一個字段進行分類。

5. 在處理特征相關(guān)性強的數(shù)據(jù)時，性能不是很好