Jakie są zalety sztucznych sieci neuronowych w porównaniu z maszynami wektorów pomocniczych? [Zamknięte]
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 brzmi: „to zależy”. Często używana jest kombinacja obu razem z klasyfikacją bayesowską.
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 do przetwarzania tekstu?
W tym pytaniu chciałbym wiedziećkonkretnie jakie aspekty SSN (a konkretnie Multilayer Perceptron) mogą sprawić, że pożądane będzie korzystanie z SVM? Pytam dlatego, że łatwo jest odpowiedziećnaprzeciwko pytanie: Maszyny wektorów wsparcia są często lepsze od SSN, ponieważ unikają dwóch głównych słabości ANN:
(1) SSN często się łącząlokalne minima zamiast globalnych minimów, co oznacza, że czasami „brakuje im dużego obrazu” (lub brakuje lasu dla drzew)
(2) SSN częstoprzebrać jeśli trening trwa zbyt długo, co oznacza, że dla dowolnego wzorca, SSN może zacząć brać pod uwagę hałas jako część wzorca.
Maszyny SVM nie cierpią z powodu żadnego z tych dwóch problemów. Jednak nie jest oczywiste, że maszyny SVM mają być całkowitym zamiennikiem dla ANN. Więc cokonkretny zalety czy SSN ma nad maszyną SVM, która mogłaby mieć zastosowanie w pewnych sytuacjach? Wymieniłemkonkretny zalety SVM nad SSN, teraz chciałbym zobaczyć listę zalet ANN (jeśli istnieją).