CNN 和 Decision 有什么区别 Tree/Forest
What is the difference between a CNN and a Decision Tree/Forest
当这篇论文的作者 J. Welbl http://hci.iwr.uni-heidelberg.de/publications/mip/techrep/welbl_14_casting.pdf 建议将卷积神经网络与决策树合并时，我正在阅读一篇论文。这是从上述论文中截取的图片：
这让我思考，但我无法回答这两种方法之间的区别。由于在 CNN 中使用反向传播和梯度下降来训练决策，这也可以很容易地应用于决策树，因此输出应该是相同的？
我是对还是完全错了？
事实上，决策树和 CNN 几乎没有共同点。这些模型在构建方式上完全不同（特别是你不通过梯度下降训练DT，它们不能表示特征之间的线性关系，等等......），训练和一般特征。你可以简单地 "convert" DT 到一个神经网络（但反过来不行！），但是你可以用（几乎）任何模型这样做，这并不意味着一切都是神经网络。这只能说明一般的神经网络有多模糊。
现在更详细。首先，论文是在谈论 ANN（人工神经网络），而不是 CNN（卷积神经网络）。其次 - 就可计算性而言，ANN 是如此通用，以至于您可以将每个 non-looping/recurrent 计算表示为 ANN。此外，一旦你进入循环网络，你实际上可以证明它们是图灵完备的（因此每个算法都可以表示为 RNN）。唯一缺少的是 为什么 。通常这样做是没有意义的。作者在这里简单地声称，他们可以进一步微调以 ANN 表示的 RF，老实说，所提供的结果几乎没有说服力（通过忘记 RF 本身，你失去了它的极端简单性、易于并行化、少量超参数、易于使用等）。特别是 - 您可以通过多种方式微调 RF，显然通过拟合下一个超参数（他们这样做）并对其进行验证 - 您将提高分数。但是这里显示的内容没有深度（并且肯定没有暗示 RF 是神经网络 :-)），正如我所说的 - 你可以将 任何 non-looping/recurrent 模型视为 ANN，但并不代表某个特定模型（如DT）就是ANN。
当这篇论文的作者 J. Welbl http://hci.iwr.uni-heidelberg.de/publications/mip/techrep/welbl_14_casting.pdf 建议将卷积神经网络与决策树合并时，我正在阅读一篇论文。这是从上述论文中截取的图片：
这让我思考，但我无法回答这两种方法之间的区别。由于在 CNN 中使用反向传播和梯度下降来训练决策，这也可以很容易地应用于决策树，因此输出应该是相同的？
我是对还是完全错了？
事实上，决策树和 CNN 几乎没有共同点。这些模型在构建方式上完全不同（特别是你不通过梯度下降训练DT，它们不能表示特征之间的线性关系，等等......），训练和一般特征。你可以简单地 "convert" DT 到一个神经网络（但反过来不行！），但是你可以用（几乎）任何模型这样做，这并不意味着一切都是神经网络。这只能说明一般的神经网络有多模糊。
现在更详细。首先，论文是在谈论 ANN（人工神经网络），而不是 CNN（卷积神经网络）。其次 - 就可计算性而言，ANN 是如此通用，以至于您可以将每个 non-looping/recurrent 计算表示为 ANN。此外，一旦你进入循环网络，你实际上可以证明它们是图灵完备的（因此每个算法都可以表示为 RNN）。唯一缺少的是 为什么 。通常这样做是没有意义的。作者在这里简单地声称，他们可以进一步微调以 ANN 表示的 RF，老实说，所提供的结果几乎没有说服力（通过忘记 RF 本身，你失去了它的极端简单性、易于并行化、少量超参数、易于使用等）。特别是 - 您可以通过多种方式微调 RF，显然通过拟合下一个超参数（他们这样做）并对其进行验证 - 您将提高分数。但是这里显示的内容没有深度（并且肯定没有暗示 RF 是神经网络 :-)），正如我所说的 - 你可以将 任何 non-looping/recurrent 模型视为 ANN，但并不代表某个特定模型（如DT）就是ANN。