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
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（warrenbuffett）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（jamessimmons）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。
人工神经网络（anns）的简称是模仿动物神经网络的行为特征，进行分布式并行信息处理，应用类似大脑突触连接的结构来处理信息的数学模型。这种网络依赖于系统的复杂性，通过调整大量内部节点之间的关系，从而达到处理信息的目的。
中国公共教育与中国科学院教师合作，推出了机器学习课程。你可以关注一下
~]，它可以解决一些算法问题，比如分类、聚类、拟合等。但对于np-hard问题，目前的神经网络只能给出近似解，而不能给出最优解。然而，在时间复杂度方面，除去训练时间，神经网络在面对np-hard问题时要比dp等传统方法快得多。右
