人工神经网络优于支持向量机的一个明显优势是,人工神经网络可以具有任意数量的输出,而支持向量机只有一个。用支持向量机创建n元分类器的最直接方法是创建n个支持向量机,并逐一训练它们。另一方面,可以一次性训练带有神经网络的n元分类器。此外,由于神经网络是一个整体,因此神经网络将更有意义,而支持向量机是孤立的系统。如果输出相互关联,这将特别有用。
例如,如果目标是对手写数字进行分类,那么十个支持向量机就可以。每个支持向量机将只能识别一个数字,而不能识别所有其他数字。由于每个手写数字都不能仅仅包含其类别,因此不能包含更多信息,因此尝试使用人工神经网络解决该问题没有任何意义。
但是,假设目标是根据易于测量的生理因素(例如自上次进餐以来的时间,心率等)对人的激素平衡(针对几种激素)进行建模,因为这些因素都是相互关联的,人工神经网络回归比支持向量机回归更有意义。
0
ANN(人工神经网络)和SVM(支持向量机)是有监督的机器学习和分类的两种流行策略。哪种方法对特定项目更好并不总是很清楚,我敢肯定答案总是“取决于情况”。通常,将两者与贝叶斯分类一起使用。
关于ANN与SVM的关于Stackoverflow的这些问题已经被提出:
ANN和SVM分类
我的分类问题中ANN,SVM和KNN之间有什么区别
支持矢量机还是人工神经网络进行文本处理?
在这个问题中,我想具体了解ANN的哪些方面(特别是多层感知器)可能需要在SVM上使用?我问的原因是因为很容易回答相反的问题:支持向量机通常优于ANN,因为它们避免了ANN的两个主要缺点:
(1)ANN通常会收敛于局部最小值,而不是全局最小值,这意味着它们有时本质上是“缺少全局”(或缺少树木的森林)
(2)如果训练时间太长,人工神经网络通常会过度拟合 ,这意味着对于任何给定的模式,人工神经网络可能会开始将噪声视为模式的一部分。
SVM不会遇到这两个问题。然而,将SVM完全替代ANN并不是很明显。那么,与支持向量机相比,人工神经网络具有哪些特定优势,可能使其适用于某些情况?我已经列出了SVM相对于ANN的特定优势,现在,我希望看到ANN优势的列表(如果有)。