卷积神经网络时间序列预测 既然使用神经网络也可以解决分类问题，那SVM、决策树这些算法还有什么意义呢？

既然使用神经网络也可以解决分类问题，那SVM、决策树这些算法还有什么意义呢？

这取决于数据量和样本数。不同的样本数和特征数据适合不同的算法。像神经网络这样的深度学习算法需要训练大量的数据集来建立更好的预测模型。许多大型互联网公司更喜欢深度学习算法，因为他们获得的用户数据是数以亿计的海量数据，这更适合于卷积神经网络等深度学习算法。

如果样本数量较少，则更适合使用SVM、决策树和其他机器学习算法。如果你有一个大的数据集，你可以考虑使用卷积神经网络和其他深度学习算法。

以下是一个图表，用于说明根据样本数量和数据集大小选择的任何机器学习算法。

如果你认为它对你有帮助，你可以多表扬，也可以关注它。谢谢您

卷积神经网络作为特征提取器，用训练集训练好的神经网络可以提取训练集的特征吗？还是只能提取测试集的？

1. 卷积神经网络结构

2。卷积神经网络的发展历史

3。反向传播

当用训练集训练卷积神经网络（CNN）时，卷积神经网络正向传播的卷积池过程就是特征提取过程。最后，计算出网络的损失函数，然后根据链导数规则，利用反向传播算法更新网络的权值参数。这是调整各层网络和卷积核的特征抽取器的参数（各层的特征和功能不同）。

训练是为了使整个卷积神经网络的特征提取效果更好（越来越适合于训练集），所以训练后的卷积神经网络可以提取训练集的特征。

运行测试集的目的是测试特征提取器的能力。此时，通过训练集对CNN各层的参数进行训练，可以提取出相似训练集的参数（图像、声音、文本）。此时，我们需要再次运行测试集来测试CNN的特征提取能力。

数据集：机器学习任务中使用的一组数据，每个数据集称为一个样本。反映样品在某一方面的性能或性质的项目或属性称为特征。

训练集：训练过程中使用的数据集，其中每个训练样本称为训练样本。从数据中学习模型的过程称为学习（训练）。

测试集：学习模型后，将其用于预测的过程称为测试，使用的数据集称为测试集，每个样本称为测试样本。

机器学习需要哪些数学基础？

主要是线性代数和概率论。

现在最流行的机器学习模型，神经网络基本上有很多向量、矩阵、张量。从激活函数到损失函数，从反向传播到梯度下降，都是对这些向量、矩阵和张量的运算和操作。

其他“传统”机器学习算法也使用大量线性代数。例如，线性回归与线性代数密切相关。

从线性代数的观点来看，主成分分析是对协方差矩阵进行对角化。

尤其是当你读论文或想更深入的时候，概率论的知识是非常有用的。

它包括边缘概率、链式规则、期望、贝叶斯推理、最大似然、最大后验概率、自信息、香农熵、KL散度等。

神经网络非常讲究“可微性”，因为可微模型可以用梯度下降法优化。梯度下降和导数是分不开的。所以多元微积分也需要。另外，由于机器学习是以统计方法为基础的，因此统计知识是必不可少的。但是，大多数理工科专业学生都应该学过这两部分内容，所以这可能不属于需要补充的内容。

卷积神经网络时间序列预测 卷积神经网络详解 卷积神经网络预测

版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。