作为一个数据挖掘工作者我来回答一下你！机器学习算法没有什么好坏算法之分，存在即合理适合的才是最好的！目前通用的二元分类算法有不少，除了svm算法之外，有逻辑回归算法，决策树，随机森林，贝叶斯算法，这些算法都有自己的优势。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。
对于二分类问题，有哪些比svm好的机器学习算法？
作为一个数据挖掘工作者我来回答一下你！机器学习算法没有什么好坏算法之分，存在即合理适合的才是最好的！目前通用的二元分类算法有不少，除了svm算法之外，还有逻辑回归算法，决策树，随机森林，贝叶斯算法，这些算法都有自己的优势。svm算法的确是一个很不错的算法，准确度高，对小样本也有不错的分类结果，但是有点耗费计算性能，不怎么好解释，有点像黑盒，逻辑回归可能没有支持向量机的准确度高，但是也有优势，比如通用，可解释性好，这算是比较大的优势了，其他的诸如决策树贝叶斯等，这些算法对随机数据有很好的适用性，而且通俗易懂，比较好解释！随机森林更像是决策树的高级封装。
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。
文章TAG：算法 AI 必懂 svm 经理
