解释一些帖子里问题

雾生镜

笑死了
DT就是一种被用到烂的传统的统计学习分类方法，
从数学理论上来说SVM要比这个DT高出一个档次，因为SVM这玩意在数学上涉及的理论性的东西要比DT复杂的多。
在实际应用中
第一 相比较SVM，DM需要更大量的样本集来进行训练
第二 DM是遵循ERM经验风险最小化原则，经验风险最小 置信区间很大 所以会产生过度拟合 分类不精确。导致在实际检测样本时不准确性和误报
SVM理论上则没有这样的缺点
SVM在数学理论上是完美的 SVM使用了泛化误差界这样的统计方法，所以能够处理小量规模的训练样本使泛化误差上界最小
DT算法虽然也是统计学原理 但是从理论上来说这种算法没有办法找到最小的决策树来解决过度拟合的问题，这是缺陷
但是简单易用是DT的优点
什么分类的精度和误报都要比SVM控制的好这完全就是在扯淡
事实上SVM这种学习方法在目前SLT(统计学习理论)里是最优秀的，SLT相比较于传统的统计学有很多的优势，而且SLT有着严格的数学基础作为支撑 可以说很完美
有个很著名的模式识别的实验对比 经常被用在各种应用数学 计算机数学的论文中 就是贝尔实验室利用美国邮政标准手写数据库（可识别性很差的一个数据库），人工识别平均错误率是2.5%，专门针对该特定问题设计的决策树的错误率为16.2%，5层神经网络错误率为5.1%(其中利用了大量先验知识)，而用3种SVM方法(采用3种核函数)得到的错误率分别为4.0%、4.1%和4.2%

雾生镜

没有一点应用数学的基础就不要这种搞笑的科普文了好吗