决策树如何进行分类 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？

要看你的数据量和样本数量，不同的样本数量和特征数据量适合采用的算法都不一样。神经网络等深度学习算法需要训练很大的数据集才能构建比较好的预测模型。很多互联网大公司比较喜欢深度学习算法是他们获得的用户数据都是数以亿计的海量数据，这是比较适合卷积神经网络等深度学习算法。

如果你的样本数量很少，比较合适的是使用SVM，决策树等机器学习算法，如果你的数据集比较大，可以考虑使用卷积神经网络等深度学习算法。

这有一个图，就是说明任何根据样本数量和数据集大小来选择机器学习算法的。

如果觉得对您有帮助，可以多多点赞哦，也可以随手点个关注哦，谢谢！

决策树适合什么样的数据分类？

数据挖掘，也称之为数据库中知识发现是一个可以从海量数据中智能地和自动地抽取一些有用的、可信的、有效的和可以理解的模式的过程.分类是数据挖掘的重要内容之一.目前，分类已广泛应用于许多领域，如医疗诊断、天气预测、信用证实、顾客区分、欺诈甄别. 现己有多种分类的方法，其中决策树分类法在海量数据环境中应用最为广泛.其原因如下：　　

1、决策树分类的直观的表示方法较容易转化为标准的数据库查询　　

2、决策树分类归纳的方法行之有效，尤其适合大型数据集.　　

3、决策树在分类过程中，除了数据集中已包括的信息外，不再需要额外的信息.　　

4、决策树分类模型的精确度较高. 该文首先研究了评估分类模型的方法.在此基础上着重研究了决策树分类方法，并对决策树算法的可伸缩性问题进行了具体分析，最后给出了基于OLE DB for DM开发决策树分类预测应用程序.

决策树如何进行分类 决策树分类错误率 决策树实例

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。