Machine learning 机器学习中的图像分类

我正在准备Azure机器学习考试，这里有一个问题让我困惑

您正在设计Azure机器学习工作流。你有一个 包含两百万张大型数码照片的数据集。你计划 检测照片中是否有树木。你需要确保 您的模型支持以下各项：

解决方案：创建一台机器 实现多类决策丛林的学习实验 模块。这符合目标吗

解决方案：创建一个实现 多类神经网络模块。这符合目标吗

---

第一个问题的答案是否定的，而第二个问题的答案是肯定的，但我无法理解为什么多类决策丛林不能达到目标，因为它是一个分类器。有人能给我解释一下原因吗？

我想这是一系列问题的一部分，这些问题呈现了相同的情景。在这个场景中肯定会有一些限制。 此外，如果您查看以下内容：

然而，最近的研究表明，深层神经网络（DNN） 使用多个图层可以非常有效地执行复杂任务，例如图像处理 或语音识别。连续层用于建模 增加语义深度

因此，Azure建议使用神经网络进行图像分类。请记住，考试的目的是测试您使用Azure设计数据科学解决方案的能力，以便更好地使用他们的官方文档作为参考

与其他解决方案相比：

您创建了一个支持Microsoft认知系统的Azure笔记本 工具箱

您创建了一个实现 多类决策模块

您可以创建到 计算机视觉API

您创建了一个机器学习实验 实现了多类神经网络模块

你创建了一个Azure 支持Microsoft认知工具包的笔记本电脑

只有2个Azure ML Studio模块，因为问题是关于构建工作流的我想我们只能在它们之间进行选择。（CNTK实际上是最好的解决方案，因为它允许使用ReLU构建深度神经网络，而AML Studio则不允许，API调用与数据科学无关）

---

最后，我同意其他撰稿人的观点，即这个问题是荒谬的。希望这能有所帮助。

这个问题实际上是一系列问题的一部分，这些问题呈现了具有多个选项的相同场景。这两种解决方案都将问题作为一个多类分类问题来处理，这是正确的。然而，这里的关键因素是维度

您的输入（图像）是高度维度的，需要深入学习才能有效。决策丛林将无法在如此高维的特征空间中有效地学习，而神经网络有更高的机会这样做

---

我希望有帮助

你确定第二个问题的答案是肯定的？毕竟，树/无树听起来像是一个二元问题，而不是一个多类问题…@desertnaut一个多类分类器能处理二元分类问题吗？这个问题本身听起来很荒谬；要么你有一个二元分类问题，你使用一个二元分类器，要么你有一个多类问题，你使用一个多类分类器。