既然使用神經(jīng)網(wǎng)絡(luò)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(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)

既然使用神經(jīng)網(wǎng)絡(luò)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(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)測模型。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(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、決策樹和其他機器學(xué)習(xí)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(luò)和其他深度學(xué)習(xí)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(xué)習(xí)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

svm為什么要引入拉格朗日的優(yōu)化方法？

支持向量機采用拉格朗日乘子法更有效地解決優(yōu)化問題。

SVM將尋找?guī)缀螀^(qū)間最大的超平面的任務(wù)轉(zhuǎn)化為凸優(yōu)化問題，具體如下：

當然，我們可以直接用現(xiàn)成的工具來解決，但是有一種更有效的方法，即利用拉格朗日乘子法將原問題轉(zhuǎn)化為成對問題。

具體方法如下：（1）將約束條件集成到目標函數(shù)中，得到拉格朗日函數(shù)；（2）然后計算模型參數(shù)w和B的偏導(dǎo)數(shù)，使其為零；（3）得到w后，將其引入拉格朗日函數(shù)中，消除模型參數(shù)w和B；（4） 這樣就得到了原問題的對偶問題，它等價于原問題，對偶問題也是一個凸優(yōu)化問題，我們用SMO算法求解拉格朗日乘子；（5）得到拉格朗日乘子后，我們可以進一步得到模型參數(shù)w和B，然后我們就可以得到想要的超平面。

如何用svm處理數(shù)據(jù)？

您可以使用SVM通過Python或MATLAB處理數(shù)據(jù)。

1。安裝anaconda。你可以搜索它

2。在scikit中使用SVM學(xué)習(xí)用SVM處理數(shù)據(jù)