ANN（人工神经网络）和SVM（支持向量机）是监督机器学习和分类两种流行的策略。 这不是经常清楚哪些方法是为特定的项目好，我敢肯定的答案总是“看情况”。 通常情况下，使用两个与贝叶斯分类一起的组合。
＃2这些问题已经被问关于ANN VS SVM：
ANN和SVM分类
什么在我的分类问题中ANN，SVM和KNN的区别
支持向量机和人工神经网络的文字处理？
在这个问题上，我想知道具体是什么方面的ANN（具体来讲，多层感知）的可能会使它需要使用过的SVM？ 我想问的原因是因为它很容易回答的问题相反 ：支持向量机往往优于人工神经网络，因为它们避免了人工神经网络的两大弱点：
（1）人工神经网络往往汇聚局部最优而不是全局最优，这意味着他们基本上是“因小失大”有时（或缺少树木，不见森林）
（2）人工神经网络往往过拟合如果训练时间过长，这意味着对于任何给定的模式，一个神经网络可能会开始考虑噪声模式的一部分。
支持向量机不会从以下两种问题的困扰。 然而，这不是显而易见的是，支持向量机意味着是对人工神经网络总更换。 那么具体有什么优势（s）没有一个ANN有超过一个SVM，可能使之适用于某些情况？ 我列出了SVM的具体优于人工神经网络，现在我想看到的ANN优势列表（如果有的话）。
从您提供的，我假设，通过人工神经网络，你的意思是多层前馈网络（FF网的简称），如多层感知的例子来看，因为这些都是与支持向量机的直接竞争。
这些模型有超过支持向量机的一个具体的好处是，它们的大小是固定的：它们是参数模型，同时支持向量机的非参数。 也就是说，在一个ANN您通过H N具有尺寸H 1一堆隐藏层的视功能偏置参数的数量，再加上，和那些让你的模型。 与此相反，一个SVM（至少一个核化的一个）由一组支持向量，从训练集中选择的，与每一个的权重的。 在最坏的情况下，支持向量的数目正好是训练样本的数目（尽管这主要发生与小训练集或在退化例），在它的一般模型的大小成线性比例。 在自然语言处理，SVM分类与数以万计的支持向量，每个具有几十万的特点，是不是闻所未闻的。
此外， 在线培训相比，在线SVM配件FF网是非常简单的，并且预测可以说是相当快一点。
编辑 ：所有上述涉及核化支持向量机的一般情况进行说明。 线性SVM是因为它们的参数，并允许用简单的算法，随机梯度下降这样的在线学习的一个特例。
过支持向量机人工神经网络中的一个明显的优点在于，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。 最直接的方法来创建基于支持向量机n元分类是建立n支持向量机和一列火车每其中之一。 在另一方面，神经网络n元分类可以一气呵成的培训。 此外，神经网络会更有意义，因为它是一个整体，而支持向量机是隔离的系统。 如果输出是相互关联的，这尤其有用。
例如，如果目标是手写数字进行分类，十分支持向量机会做。 每个支持向量机将承认恰好有一个数字，并没有认识到所有其他人。 由于每个手写数字不能意味着持有多只它的类的详细信息，这是没有意义的尝试用人工神经网络来解决这个问题。
然而，假设目标是一个人的激素平衡（对于几种激素）作为容易测量的生理因素的函数模型，例如，因为最后一餐，心脏率等时间......由于这些因素都是相互关联的，人工神经网络回归使得比支持向量机回归更有意义。
有一点要注意的是，这两个实际上是非常相关的。 线性支持向量机相当于单层NN的（即，感知器），和多层神经网络可以支持向量机来表示。 见这里的一些细节。
如果你想使用一个内核SVM你必须猜测内核。 然而，人工神经网络是具有仅猜测做通用逼近是宽度（近似精度）和高度（近似效率）。 如果你正确地设计优化问题，你不要过度拟合（请参阅过拟合参考书目）。 这也取决于训练的例子，如果他们正确地扫描，均匀的搜索空间。 宽度和深度发现是整数规划的主题。
假设你有界函数f（。）和上界我通用逼近= [0,1]与范围再次I = [0,1]例如由紧凑支持U真实序列参数化（。，a）用为存在序列与序列中的属性
lim sup { |f(x) - U(x,a(k) ) | : x } =0
和绘制实施例和试验(x,y)上分布d IxI 。
对于规定的支撑，你要做的就是找到最好的一个，使得
sum { ( y(l) - U(x(l),a) )^{2} | : 1<=l<=N } is minimal
让这a=aa这是一个随机变量的！过拟合然后
平均使用D and D^{N} of ( y - U(x,aa) )^{2}
让我来解释为什么，如果你选择aa使得误差最小化，然后是一套罕见的价值观，你有完美的结合。 然而，由于他们是罕见的，平均是从来没有0你想虽然你有一个离散逼近D.而且记住，支持长度可以自由地减少第二。
答案之一，我在这里失踪：多层感知是目前能找到的功能之间的关系。 例如，当原始图像被提供给学习算法和现在复杂的功能，计算它是在计算机视觉必要的。 本质上，中间水平可以计算出新的未知功能。
我们还应该考虑的是，SVM系统可以直接应用于非度量空间，如设置标记图形或字符串。 事实上，内部内核函数可适当推广到几乎任何类型的输入，提供内核的正定性的要求得到满足。 在另一方面，为了能够在一组标记图的使用ANN，明确的嵌入程序必须加以考虑。
文章来源: What are advantages of Artificial Neural Networks over Support Vector Machines? [closed]
