ANN (Artificial Neural Networks) i SVM (Support Vector Machines) to dwie popularne strategie nadzorowanego uczenia maszynowego i klasyfikacji. Często nie jest jasne, która metoda jest lepsza dla konkretnego projektu, i jestem pewien, że odpowiedź zawsze brzmi „zależy”. Często stosuje się połączenie obu z klasyfikacją Bayesa.
Te pytania dotyczące Stackoverflow zostały już zadane w odniesieniu do ANN vs. SVM:
jaka jest różnica między ANN, SVM i KNN w moim pytaniu klasyfikacyjnym
Obsługa maszyny wektorowej lub sztucznej sieci neuronowej w przetwarzaniu tekstu?
W tej kwestii, chciałbym wiedzieć konkretnie jakie aspekty SSN (w szczególności wielowarstwowego perceptronu) może zrobić to pożądane stosowanie ponad SVM? Pytam dlatego, że łatwo jest odpowiedzieć na przeciwne pytanie: Maszyny wektorów wsparcia są często lepsze od ANN, ponieważ unikają dwóch głównych słabości ANN:
(1) ANN często zbliżają się do minimów lokalnych, a nie globalnych, co oznacza, że zasadniczo „czasami brakuje im dużego obrazu” (lub brakuje lasu dla drzew)
(2) ANN często się wyczerpują, jeśli trening trwa zbyt długo, co oznacza, że dla dowolnego danego wzoru ANN może zacząć uwzględniać hałas jako część tego wzoru.
SVM nie cierpią na żaden z tych dwóch problemów. Jednak nie jest oczywiste, że SVM mają być całkowitym zamiennikiem dla ANN. Więc jaką konkretną przewagę (-y) ma ANN w stosunku do SVM, która może sprawić, że będzie miała zastosowanie w niektórych sytuacjach? Wymieniłem konkretne zalety SVM w stosunku do ANN, teraz chciałbym zobaczyć listę zalet ANN (jeśli w ogóle).