神经网络算法三大类 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？
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
以神经网络为核心的智能算法是否可以预测股票价格？
如何创建一个优秀的神经网络模型？
例如，要预测一个人是男人还是女人，有两组因素可供选择：a.头发颜色、皮肤颜色、双眼皮与否；B.他是否有胡须、是否有亚当苹果和他的体重。
因此，为了建立一个优秀的神经网络模型，我们必须选择具有高度相关性的因素。
同样的因素，在不同的神经网络结构中，预测结果会有很大的不同。
如果结构太简单，会出现“欠拟合”，即应该分析的不分析；如果结构太复杂，会出现“过拟合”，即不应该分析的不分析。只有正确的网络结构才能分析出预期的结果。
例如：
一个住在偏远村庄a的学生被城市B中学录取。他是村里历史上唯一被B中学录取的人。高考后，他被清华大学录取。
如果已经安装了模型，将考虑100%的“住a村”和“读B高中”的人可以被清华大学录取。这是真的，但显然不是我们想要的结论。
直接图表：
沃伦·巴菲特（Warren Buffett）是公认的投资大师，在过去20年中实现了20%的平均回报率；詹姆斯·西蒙斯（James Simmons）使用他的量化模型，从1989年到2009年实现了约35%的平均回报率。
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。
