深度學習和普通的機器學習有什么區別？一張圖片顯示了這種關系。機器學習是人工智能的重要領域之一，而深度學習是機器學習的一個分支。深度學習之所以近年來流行起來，是因為它突破了傳統機器學習無法解決的一些問題

深度學習和普通的機器學習有什么區別？

一張圖片顯示了這種關系。機器學習是人工智能的重要領域之一，而深度學習是機器學習的一個分支。深度學習之所以近年來流行起來，是因為它突破了傳統機器學習無法解決的一些問題。

機器學習的意義在于代替人工完成重復性工作，識別出統一的規則（模式）。但是對于傳統的機器學習來說，特征提取的難度不?。ㄌ卣骺梢允窍袼?、位置、方向等）。特征的準確性將在很大程度上決定大多數機器學習算法的性能。為了使特征準確，在特征工程部分需要大量的人力來調整和改進特征。完成這一系列工作的前提是，數據集中所包含的信息量是充分的，并且易于識別。如果不滿足這一前提，傳統的機器學習算法將在信息的雜亂中失去其性能。深度學習的應用正是基于這個問題。它的深層神經網絡使它能夠在雜波中學習，自動發現與任務相關的特征（可以看作是自發學習的特征工程），并提取高級特征，從而大大減少了特征工程部分任務所花費的時間。

另一個明顯的區別是他們對數據集大小的偏好。傳統的機器學習在處理規則完備的小規模數據時表現出良好的性能，而深度學習則表現不好。隨著數據集規模的不斷擴大，深度學習的效果會逐漸顯現出來，并變得越來越好。對比如下圖所示。

knn分類算法如何返回位置點？

KNN是一種聚類算法

分類和聚類的區別在于輸出是否有標記

例如，如果輸出是apple或banana，則為classification

如果輸出為all apple，只有這堆蘋果的屬性不同才是聚類

分類：KNN（k-最近鄰）訓練階段：記住所有點測試階段：計算新添加的點a與原始數據中每個點之間的歐氏距離預測：找到最接近點a的k點，查看k點屬于哪個類，然后將a點分類為哪個類。缺點：測試階段時間太長，支持向量機（SVM）和KNN有很大的不同，但這兩種損失函數的目的是增加對分類影響較大的數據點的權重，減少與分類關系較小的數據點的權重。支持向量機是稀疏的，因為它通過支持向量機。Logistic回歸通過使用權重來降低異常值的權重。

k-means和knn算法的區別？

KNN通過測量不同特征值之間的距離進行分類。其思想是：如果特征空間中k個最相似的樣本大部分屬于某一類別，那么該樣本也屬于該類別。優點：①訓練時間復雜度低于支持向量機等算法，僅為O（n）

②與樸素貝葉斯等算法相比，它對數據無假設，精度高，對異常值不敏感

③KNN主要依賴于周圍有限的相鄰樣本，而不是孤立樣本識別類域以確定類別的方法。因此，KNN方法比其他方法更適合于具有更多重疊或重疊類域的樣本集。它存在以下缺點：（1）計算復雜度高；空間復雜度高；（2）樣本不平衡時稀有類預測精度低；（3）樣本不平衡時稀有類預測精度低解釋性差，無法給出決策樹等規則。