ANN (Artificial Neural Networks) et SVM (Support Vector Machines) sont deux stratégies populaires pour l'apprentissage automatique et la classification supervisés. Il n'est pas souvent clair quelle méthode est la meilleure pour un projet particulier, et je suis certain que la réponse est toujours "cela dépend". Souvent, une combinaison des deux avec la classification bayésienne est utilisée.
Ces questions sur Stackoverflow ont déjà été posées concernant ANN vs SVM:
quelle est la différence entre ANN, SVM et KNN dans ma question de classification
Soutenir la machine vectorielle ou le réseau neuronal artificiel pour le traitement de texte?
Dans cette question, j'aimerais savoir précisément quels aspects d'un ANN (en particulier, un Perceptron multicouche) pourraient rendre souhaitable l'utilisation sur un SVM? La raison pour laquelle je pose la question est qu'il est facile de répondre à la question opposée : les machines à vecteurs de support sont souvent supérieures aux ANN car elles évitent deux faiblesses majeures des ANN:
(1) Les RNA convergent souvent sur des minima locaux plutôt que sur des minima globaux, ce qui signifie qu'ils "manquent généralement de vue d'ensemble" parfois (ou manquent la forêt pour les arbres)
(2) Les RNA sont souvent trop adaptés si l'entraînement dure trop longtemps, ce qui signifie que pour un motif donné, un RNA peut commencer à considérer le bruit comme faisant partie du motif.
Les SVM ne souffrent d'aucun de ces deux problèmes. Cependant, il n'est pas évident que les SVM sont censés remplacer totalement les ANN. Alors, quel (s) avantage (s) spécifique (s) un RNA a-t-il sur un SVM qui pourrait le rendre applicable à certaines situations? J'ai énuméré les avantages spécifiques d'un SVM par rapport à un ANN, maintenant j'aimerais voir une liste des avantages ANN (le cas échéant).