回归树和决策树的区别 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

从哪本书开始学习Python比较好？

如果是基本的，我想找一个在线网站学习如何开始是可以的。如果你想系统地学习，我建议从不同的方向学习会更有效率。例如下面三个，分别为安全域、数据分析、网络爬虫等。如果是游戏指导或机器学习，找另一个。。

29岁想学python，有哪些建议？

学习Python与年龄无关。去年，我33岁的时候在openstack上学习Python。在我的职业生涯中，我学过几种语言，包括C、C、PHP和python。

就学习内容而言，我认为学习一门语言主要包括两个方面：

1）语言本身的语法，其实内容很少

2）与语言相关的系统库和第三方库，内容多，难度大

另外，我的经验是如何学好一门语言的实践，实践包括两个方面：

1）阅读更多的代码，你可以看到更好的开源项目，如openstack或Django等。

2）编写更多的代码。如果你的工作中有项目，如果没有，你可以写一些小项目。例如，开发一个python版本的redis。

机器学习与深度学习有什么异同？

深度学习和一般机器学习有什么区别

1:一般机器学习一般指决策树、逻辑回归、支持向量机、xgboost等，深度学习的主要特点是使用深度神经网络：深度卷积网络、深度循环网络、递归网络等等等。算法在层次上没有相似性。很难说相似性可能是每个人的函数都要拟合的高维函数。 ] ]2:一般机器学习在分析低维和可解释的任务时表现更好。例如，数据挖掘和推荐算法。它们的特点是，总体而言，所收集的数据维数不高。以广告推送任务为例，一般分析的数据维度仅包括性别、年龄、学历、职业等，参数调整方向明确。

3：深度学习算法擅长分析高维数据。例如，图像、声音等。例如，图像可以具有千万像素，相当于千万特征向量维，并且像素之间的关系不是特别明显。在这种情况下，卷积神经网络能够有效地处理这一问题，基本上能够非常准确地掌握图像的特征。但各维度的解释力很弱，参数调整的方向也不明确（神经元个数、隐层个数等）。综上所述，两者其实有很大的不同。近年来，深度学习得到了发展。传统的机器学习算法大多来源于概率论和信息学。在编程方面，传统的机器学习模型基本上集成到sklearn包中。对于深度学习，可以使用tensorflow作为框架。对于传统机器学习的详细理解，可以从李航的统计原理或周志华的机器学习（又称西瓜书）中看到。由于近两年关于深度学习的书籍很少，我们可以参考近两年关于深度学习的论文。当然，它们都需要坚实的数学基础，主要有三本书：线性代数或高级代数、高等数学或数学分析、概率论或随机过程

要如何开始从零掌握Python机器学习？

我已经用Python做了七多年了，现在我从事的是视频对象识别方法的开发，使用tensorflow，也是基于Python语言的。Python是一种解决所有问题的语言，值得拥有

！我从2012年开始学习机器学习，因为没有指导，我走了很多弯路，浪费了很多时间和精力。一开始，我读了《机器学习实践》一书。虽然我不懂，但我还是把书中所有的例子都跑了一遍，渐渐发现自己不懂算法也能达到预期的效果。然后，我会直接开发我想要的程序。当我遇到需要机器学习的部分时，我会直接复制它。一周后，演示会出来。在这个时候，你会发现你已经开始了。剩下的就是理解每种算法的范围和局限性。

不要掉进无休止的书堆里，练习和做项目

！呃，地铁到了。我要去工作了。我还没做完呢。有机会我会继续讨论的

回归树和决策树的区别 决策树如何实现回归 决策树回归算法原理

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。