決策樹(shù)分類(lèi)的主要步驟？（1）繪制決策樹(shù)。從左到右繪制決策樹(shù)的過(guò)程就是決策問(wèn)題的再分析過(guò)程。（2） 從右到左計(jì)算每個(gè)方案的期望值，并將結(jié)果寫(xiě)在對(duì)應(yīng)方案節(jié)點(diǎn)的頂部。（3） 通過(guò)比較各方案的期望值，進(jìn)行剪枝

決策樹(shù)分類(lèi)的主要步驟？

（1）繪制決策樹(shù)。從左到右繪制決策樹(shù)的過(guò)程就是決策問(wèn)題的再分析過(guò)程。（2） 從右到左計(jì)算每個(gè)方案的期望值，并將結(jié)果寫(xiě)在對(duì)應(yīng)方案節(jié)點(diǎn)的頂部。（3） 通過(guò)比較各方案的期望值，進(jìn)行剪枝優(yōu)化。要使用“=”分區(qū)

就要放棄支路上的備選方案，這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本和特征數(shù)據(jù)適用于不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來(lái)建立更好的預(yù)測(cè)模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學(xué)習(xí)算法，因?yàn)樗麄儷@得的用戶(hù)數(shù)據(jù)是數(shù)以?xún)|計(jì)的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹(shù)和其他機(jī)器學(xué)習(xí)算法。如果你有一個(gè)大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學(xué)習(xí)算法。

以下是一個(gè)圖表，用于說(shuō)明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機(jī)器學(xué)習(xí)算法。

如果你認(rèn)為它對(duì)你有幫助，你可以多表?yè)P(yáng)，也可以關(guān)注它。謝謝您

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類(lèi)問(wèn)題，那SVM、決策樹(shù)這些算法還有什么意義呢？

決策樹(shù)方法的意義：它是一種解決分類(lèi)問(wèn)題的算法。決策樹(shù)算法采用樹(shù)形結(jié)構(gòu)，采用逐層推理實(shí)現(xiàn)最終分類(lèi)。

決策樹(shù)方法的工作步驟是：①特征選擇；②決策樹(shù)生成；③決策樹(shù)剪枝。