ANN (Redes neuronales artificiales) y SVM (Máquinas de vectores de soporte) son dos estrategias populares para el aprendizaje automático supervisado y la clasificación. A menudo no está claro qué método es mejor para un proyecto en particular, y estoy seguro de que la respuesta siempre es "depende". A menudo, se usa una combinación de ambos junto con la clasificación bayesiana.
Estas preguntas sobre Stackoverflow ya se han hecho con respecto a ANN vs SVM:
¿Cuál es la diferencia entre ANN, SVM y KNN en mi pregunta de clasificación?
¿Admite la máquina de vectores o la red neuronal artificial para el procesamiento de texto?
En esta pregunta, me gustaría saber específicamente qué aspectos de un ANN (específicamente, un Perceptrón Multicapa) podrían hacer que sea deseable usar sobre un SVM. La razón por la que pregunto es porque es fácil responder a la pregunta opuesta : las máquinas de vectores de soporte a menudo son superiores a las ANN porque evitan dos debilidades importantes de las ANN:
(1) Las ANN a menudo convergen en los mínimos locales en lugar de los mínimos globales, lo que significa que a veces se les está "perdiendo el panorama general" (o falta el bosque para los árboles)
(2) Los ANN a menudo se sobreajustan si el entrenamiento dura demasiado, lo que significa que para cualquier patrón dado, un ANN podría comenzar a considerar el ruido como parte del patrón.
Las SVM no sufren ninguno de estos dos problemas. Sin embargo, no es evidente que las SVM sean un reemplazo total de las ANN. Entonces, ¿qué ventaja (s) específica (s) tiene una ANN sobre una SVM que podría hacerla aplicable para ciertas situaciones? He enumerado las ventajas específicas de un SVM sobre un ANN, ahora me gustaría ver una lista de las ventajas de ANN (si las hay).