决策树算法的应用场景 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
决策树树算法目前的应用场景有哪些？
这两种应用场景是不同的。KD树是k近邻优化搜索的常用方法。如果非要找出差异，典型的是KD树在建树过程中会反复使用全维特征，决策树方法的关键步骤如下：1。绘制决策树。决策树的绘制过程就是对未来可能发生的各种事件进行仔细思考和预测的过程。最后，我们绘制了概率分支。
2. 概率值由专家估计法或试验数据计算，概率值写在概率分支的位置上。
3. 损益的预期值是从树的顶部，从右到左计算的。采用期望值法进行计算。如果决策目标是盈利，则比较每个分支，选择期望值最高的分支，然后修剪其他分支。
1. 决策树易于理解和实现。经过解释，人们有能力理解决策树的含义。
2. 对于决策树来说，数据准备往往是简单的或不必要的。其他技术通常需要数据泛化，例如删除冗余或空白属性。
3. 它可以同时处理数据类型和常规类型属性。其他技术通常需要单个数据属性。
4. 在相对较短的时间内，对于大数据源可以取得可行的、良好的效果。
5. 它对缺少的值不敏感
6。它可以处理无关的特征数据
7。效率高。决策树只需构建一次，重复使用。每个预测的最大计算次数不超过决策树的深度。
很难预测连续场。
2. 对于具有时间序列的数据，需要进行大量的预处理。
3. 当类别太多时，错误可能会增加得更快。
4. 一般算法分类，只根据一个字段进行分类。
5. 在处理特征相关性强的数据时，性能不是很好
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。
