与支持向量机相比，人工神经网络有哪些优势？ [关闭]

从您提供的示例来看，我假设 ANN 是指多层前馈网络（简称 FF 网络），例如多层感知器，因为它们与 SVM 直接竞争。

这些模型相对于 SVM 的一个具体好处是它们的大小是固定的：它们是参数模型，而 SVM 是非参数模型。也就是说，在一个人工神经网络中，你有一堆大小为 h1 到 hn 的隐藏层，具体取决于特征的数量，加上偏置参数，这些构成了你的模型。相比之下，SVM（至少是核化的）由一组支持向量组成，这些支持向量是从训练集中选择的，每个支持向量都有一个权重。在最坏的情况下，支持向量的数量正好是训练样本的数量（尽管这主要发生在小训练集或退化的情况下），并且通常它的模型大小是线性缩放的。在自然语言处理中，具有数万个支持向量的 SVM 分类器，每个具有数十万个特征，并非闻所未闻。

此外，与在线 SVM 拟合相比，FF 网络的 online training 非常简单，并且预测速度会快很多。

编辑：以上所有内容都与内核化 SVM 的一般情况有关。线性 SVM 是一种特殊情况，因为它们是参数化的，并且允许使用简单算法（例如随机梯度下降）进行在线学习。

---

人工神经网络相对于支持向量机的一个明显优势是人工神经网络可以有任意数量的输出，而支持向量机只有一个。使用支持向量机创建 n 元分类器最直接的方法是创建 n 个支持向量机并逐个训练它们。另一方面，可以一次性训练具有神经网络的 n 元分类器。此外，神经网络将更有意义，因为它是一个整体，而支持向量机是孤立的系统。如果输出是相互关联的，这将特别有用。

例如，如果目标是对手写数字进行分类，十个支持向量机就可以了。每个支持向量机只能识别一个数字，而不能识别所有其他数字。由于每个手写数字不能包含比其类别更多的信息，因此尝试用人工神经网络解决这个问题是没有意义的。

但是，假设目标是将一个人的激素平衡（几种激素）建模为易于测量的生理因素的函数，例如自上次进餐后的时间、心率等……由于这些因素都是相互关联的，因此人工神经网络回归比支持向量机回归更有意义。

---

需要注意的一点是，两者实际上非常相关。线性 SVM 等价于单层 NN（即感知器），而多层 NN 可以用 SVM 表示。有关详细信息，请参阅 here。

---

如果你想使用内核 SVM，你必须猜测内核。然而，人工神经网络是通用的逼近器，只需要猜测宽度（逼近精度）和高度（逼近效率）。如果您正确设计优化问题，您就不会过度拟合（请参阅参考书目了解过度拟合）。它还取决于训练示例是否正确且均匀地扫描搜索空间。宽度和深度发现是整数规划的主题。

假设您在 I=[0,1] 上具有有界函数 f(.) 和有界通用逼近器，范围又为 I=[0,1] 例如，它们由紧致支持 U(.,a) 的真实序列参数化存在序列序列的性质

lim sup { |f(x) - U(x,a(k) ) | : x } =0

并且您在 IxI 上使用分布 D 绘制示例和测试 (x,y)。

对于规定的支持，你要做的是找到最好的一个这样的

sum {  ( y(l) - U(x(l),a) )^{2} | : 1<=l<=N } is minimal

让这个 a=aa 这是一个随机变量！，然后是过度拟合

平均使用 D and D^{N} of ( y - U(x,aa) )^{2}

让我解释一下为什么，如果您选择 aa 以使误差最小化，那么对于一组稀有的值，您可以完美匹配。但是，由于它们很少见，因此平均值永远不会为 0。尽管您有 D 的离散近似值，但您希望最小化第二个。请记住，支撑长度是自由的。

---

我在这里缺少一个答案：多层感知器能够找到特征之间的关系。例如，在计算机视觉中，当向学习算法提供原始图像并且现在计算复杂特征时，这是必要的。本质上，中间层可以计算新的未知特征。

---

我们还应该考虑到 SVM 系统可以直接应用于非度量空间，例如标记图或字符串的集合。事实上，只要满足核的正定性要求，内部核函数几乎可以适当地推广到任何类型的输入。另一方面，为了能够在一组标记图上使用 ANN，必须考虑显式嵌入过程。

---