ANN (Artificial Neural Networks) e SVM (Support Vector Machines) sono due strategie popolari per l'apprendimento automatico e la classificazione supervisionati. Spesso non è chiaro quale sia il metodo migliore per un determinato progetto, e sono certo che la risposta è sempre "dipende". Spesso viene utilizzata una combinazione di entrambi insieme alla classificazione bayesiana.
Queste domande su StackOverflow sono già state poste per quanto riguarda ANN vs SVM:
qual è la differenza tra ANN, SVM e KNN nella mia domanda di classificazione
Supportare la macchina vettoriale o la rete neurale artificiale per l'elaborazione del testo?
In questa domanda, vorrei sapere in particolare quali aspetti di una ANN (in particolare, un Perceptron multistrato) potrebbero rendere desiderabile l'utilizzo su un SVM? Il motivo per cui lo chiedo è perché è facile rispondere alla domanda opposta : Support Vector Machines sono spesso superiori alle ANN perché evitano due principali punti deboli delle ANN:
(1) Le ANN spesso convergono su minimi locali piuttosto che minimi globali, il che significa che a volte essenzialmente "manca il quadro generale" (o manca la foresta per gli alberi)
(2) Le ANN spesso sovrautilizzano se l'allenamento dura troppo a lungo, il che significa che per una data sequenza, una ANN potrebbe iniziare a considerare il rumore come parte della sequenza.
Le SVM non soffrono di nessuno di questi due problemi. Tuttavia, non è prontamente evidente che gli SVM debbano essere un sostituto totale degli ANN. Quindi quali specifici vantaggi ha una RNA rispetto a una SVM che potrebbe renderla applicabile a determinate situazioni? Ho elencato i vantaggi specifici di un SVM rispetto a un ANN, ora mi piacerebbe vedere un elenco di vantaggi ANN (se presenti).