全文共1716字，预计学习时长5分钟
来源：ijava
有证据显示神经网络优于许多领域的机器学习算法。后者不断学习，直到得出满足预测值的最佳功能集。
然而神经网络将变量放大成一系列的数字，一旦它完成了学习阶段，对我们来说，特征就变得无法区分了。
如果只考虑预测，神经网络就是一直使用的事实上的算法。但是在行业环境中需要模型，它可以为利益相关者赋予特性或变量意义。这些利益相关者可以是任何人，不只是懂深度学习或机器学习知识的人。
随机森林和神经网络最大的区别是什么？
随机森林和神经网络是不同的技术，学习方式不同，但可以在类似的领域使用。随机森林是机器学习的技术，而神经网络则是深度学习的技术。
什么是神经网络？
神经网络是计算模型网络，它大体上模拟了人类大脑皮层功能，可以复制出和人类一样的思维和感知方式。神经网络是由相互连接的节点组成的层次结构，这些节点包含计算网络输出的激活函数。
神经网络是机器学习的另一种方法，计算机通过分析训练样本学习执行任务。因为神经网络大致模拟人脑，所以会包括成千上万个相互连接的节点。一个节点可以连接到它下级层中接收数据的几个节点，以及它上级层接收数据的几个节点。每个输入数据点接收一个权值，会对其进行加减乘除运算。如果加权和等于零，就会增加一个偏差，然后传递给激活函数。
神经网络的结构
神经网络有3个基本结构
1. 单层前馈网络
· 它是感知器的扩展，是最简单的网络。输入层和输出层之间有额外的隐藏节点。
2. 多层前馈网络
· 除了输入和输出外，这种类型的网络还有一个或多个隐藏层。它负责输入层和输出层之间的数据传输。
3.递归网络
· 递归神经网络与上述两者类似，但广泛应用于文本和时间等序列数据的预测。最有名的递归神经网络就是“长短记忆”模型(LSTM)。
什么是随机森林？
随机森林是决策树的集合，因此，最终节点/叶节点将是分类问题的多数类或回归问题的平均类。
一个随机森林会长出许多分类树，对于树的每个输出，称之为该树为该类的“投票”。树是这么生长起来的：
1. 每棵树行的随机样本从训练数据中抽取。
2. 从步骤1选出样本后，利用特征子集在选出的树上进行拆分。
3. 每棵树都按照参数指定的最大范围生长，直到它对类进行投票。
为什么推荐随机森林？
使用随机森林而非决策树的根本，是将多个决策树的预测组合成一个模型。逻辑就是一个由许多平庸的模型组成的模型，仍然优于一个单一的好模型。看看随机森林的主流表现，就知道这是有道理的。因此，随机森林不易产生过拟合。
在决策树这样的柔性模型中，可能会出现过拟合，模型会记住训练数据，并学习数据中的任何干扰。这将使它无法预测测试数据。
随机森林可以将多棵树组合成一个集合模型，这能降低决策树等柔性模型的高方差。
来源：tuxi
相比于神经网络，什么时候该使用随机森林？
随机森林计算成本较低，不需要依靠GPU完成培训。随机森林可以提供决策树的不同解释，并且具有更好的性能。神经网络需要普通人手头更多的数据才能真正有效。神经网络只会简单地破坏特征的可解释性，以至于为了性能而变得毫无意义。虽然听起来有些道理，但还是要看每个项目具体分析。
如果目标是创建预测模型，不考虑变量的影响，强烈推荐神经网络，但是需要资源来实现这一点。如果需要了解变量，那么不管个人喜好，在这种情况下通常会发生的情况是：性能受到轻微的影响，以确保仍然可以了解每个变量是如何为预测模型作贡献。
如果你还有什么补充，欢迎在评论区留言哟~
留言 点赞 关注
我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”
（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）
标签：模型,学习,神经网络,随机,节点,森林 来源： https://blog.csdn.net/duxinshuxiaobian/article/details/104688135
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。