神经网络数据集要求 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
用同一数据集训练神经网络，每次训练结果不一样，有时正确率很高，有时很低，为什么？
其实这个问题的实质是，如果我们用机器学习算法对数据集上的数据模型进行一次训练，保存模型，然后用同样的算法和同样的数据集以及数据排序对其进行再次训练，那么第一个模型和第二个模型是一样的吗？
这可能是因为神经网络用增益或权重的随机值初始化，然后每个模拟在训练阶段有不同的起点。如果您希望始终保持相同的初始权重，可以尝试为初始权重修复种子以消除问题。
如果我们深入研究这个问题，我们可以根据ml算法的“确定性”来对其进行分类。当从同一个数据集进行训练时：
一个是总是生成相同的模型，并且记录以相同的顺序呈现；
另一个是总是生成不同的模型，并且记录顺序不同。
在实践中，大多数是“不确定的”。模型变化的原因可能是机器学习算法本身存在随机游走、不同权值的随机初始化、不同分量的概率分布抽样来分配优化函数。
虽然模型的“不确定性”可能会对单个训练结果造成干扰，但我们也可以用“不确定性”来确认模型的稳定性，如决策树、支持向量机（SVM）、神经网络等，最终可以通过多次迭代来确认模型的稳定性。
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。
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。
