传统机器学习需要多少算力？

比如决策树、SVM、KNN这些算法，
这些模型里的计算量是否会很大？相比于神经网络需要的算力会不会小很多？

大小也要看输入设置啊。一般来说会比神经网络的算力需求小很多，这个建立在输入大小差不多的情况下，并且决策树不能很深，knn节点不能很多，特征点的选择不能多的离谱等。你总不能说一个千万级别节点的knn需求算力很小吧

• 你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7674804
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：机器学习之KNN算法，朴素贝叶斯，决策树，SVM算法比较
• 除此之外, 这篇博客: 手写数字的识别问题-SVM、朴素贝叶斯算法、决策树算法、KNN算法对比中的 六、总结 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 1.SVM
  优点：适合小样本、非线性、高维模式识别。
  缺点：对于大规模数据开销大，不合适多分类；对缺失数据敏感；需要选择适当的核函数。

  2.决策树
  优点：简单易于理解，能够处理多路输出问题。
  缺点：容易过拟合；决策树的生成不稳定，微小的数据变化可能导致生成的决策树不同。

  3.KNN
  优点：简单易于理解，无需训练，无需估计参数准确性高；适合多标签问题。
  缺点：懒惰算法，预测慢，开销大类的样本数不平衡时准确率受影响；可解释性差。

  4.朴素贝叶斯
  优点：分类稳定，适合小规模数据和增量式训练，对缺失数据不敏感。
  缺点：属性相关性大时效果不好，需要知道先验概率，对数据的表达形式敏感。

• 您还可以看一下 王而川老师的机器学习之深度学习基础--支持向量机（SVM）视频教学课程中的 间隔与支持向量小节, 巩固相关知识点
  
• 以下回答由chatgpt基于相关博客总结生成:

  传统机器学习算法（如决策树、支持向量机、K最近邻等）与神经网络在计算量上存在一定的差异。

  传统机器学习算法的计算量相对较小。这些算法通常基于数学模型和统计方法，通过对训练数据进行学习和推理来进行预测。这些算法通常需要计算特征的相似度、距离、概率等数值，并使用这些数值进行分类、回归等任务。虽然在实际应用中可能需要对数据进行预处理、特征选择、参数调优等步骤，但相对于神经网络而言，传统机器学习算法的计算复杂度相对较低。

  而神经网络作为一种由多个神经元组成的复杂计算模型，其计算量相对较大。神经网络通常由输入层、隐藏层和输出层组成，每个神经元都需要进行乘法、加法和激活等操作。在训练过程中，神经网络需要通过反向传播算法计算权重的梯度，并使用梯度下降等优化算法更新权重。此外，神经网络模型的参数数量通常很大，这也会导致计算量较大。

  总之，相对于传统机器学习算法而言，神经网络需要更多的计算量。但是，随着硬件技术的进步和深度学习框架的优化，神经网络的训练和预测速度已经有了很大的提升，使其在很多任务中取得了优秀的性能。因此，在选择算法时，需要根据具体问题的需求和资源的限制来进行权衡和选择。