支持向量機和神經網路哪個好用

① 支持向量機為什麼比神經網路好神經網路不是可以訓練很多次嗎

你好！支持向量機SVM ( Support Vector Machines)是由Vanpik領導的AT&TBell實驗室研究小組 在1963年提出的一種新的非常有潛力的分類技術, SVM是一種基於統計學習理論的模式識別方法，主要應用於模式識別領域.由於當時這些研究尚不十分完善,在解...

② 推薦一款支持向量機SVM和神經網路軟體

邁實軟體（meshcade）有神經網路和支持向量機SVM軟體，有入門視頻教程，可下載一試。

③ 深度神經網路 為什麼 選擇 支持向量機

深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。多層神經網路是指單計算層感知器只能解決線性可分問題，而大量的分類問題是線性不可分的。克服單計算層感知器這一局限性的有效辦法是，在輸入層與輸出層之間引入隱層（隱層個數可以大於或等於1）作為輸入模式「的內部表示」，單計算層感知器變成多（計算）層感知器。補充：深度學習的概念由Hinton等人於2006年提出。基於深信度網(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能。深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

④ 支持向量機和神經網路那個前景更好

你好！支持向量機SVM ( Support Vector Machines)是由Vanpik領導的AT&TBell實驗室研究小組
在1963年提出的一種新的非常有潛力的分類技術, SVM是一種基於統計學習理論的模式識別方法，主要應用於模式識別領域.由於當時這些研究尚不十分完善,在解決模式識別問題中往往趨於保守,且數學上比較艱澀,因此這些研究一直沒有得到充的重視.直到90年代,一個較完善的理論體系—統計學習理論 ( StatisticalLearningTheory,簡稱SLT) 的實現和由於神經網路等較新興的機器學習方法的研究遇到一些重要的困難,比如如何確定網路結構的問題、過學習與欠學習問題、局部極小點問題等,使得SVM迅速發展和完善,在解決小樣本 、非線性及高維模式識別問題中表現出許多特有的優勢,並能夠推廣應用到函數擬合等其他機器學習問題中.從此迅速的發展起來，現在已經在許多領域（生物信息學，文本和手寫識別等）都取得了成功的應用。
SVM的關鍵在於核函數，這也是最喜人的地方。低維空間向量集通常難於劃分，解決的方法是將它們映射到高維空間。但這個辦法帶來的困難就是計算復雜度的增加，而核函數正好巧妙地解決了這個問題。也就是說，只要選用適當的核函數，我們就可以得到高維空間的分類函數。在SVM理論中，採用不同的核函數將導致不同的SVM演算法
它是一種以統計學理論為基礎的，以結構風險最小化的學習機學習方法，要優於神經網路學習。

⑤ svr演算法和svm演算法哪個好

1、支持向量機（ SVM ）是一種比較好的實現了結構風險最小化思想的方法。它的機器學習策略是結構風險最小化原則
為了最小化期望風險，應同時最小化經驗風險和置信范圍）

支持向量機方法的基本思想：

（ 1
）它是專門針對有限樣本情況的學習機器，實現的是結構風險最小化：在對給定的數據逼近的精度與逼近函數的復雜性之間尋求折衷，以期獲得最好的推廣能力；

（ 2
）它最終解決的是一個凸二次規劃問題，從理論上說，得到的將是全局最優解，解決了在神經網路方法中無法避免的局部極值問題；

（ 3
）它將實際問題通過非線性變換轉換到高維的特徵空間，在高維空間中構造線性決策函數來實現原空間中的非線性決策函數，巧妙地解決了維數問題，並保證了有較好的推廣能力，而且演算法復雜度與樣本維數無關。

目前， SVM
演算法在模式識別、回歸估計、概率密度函數估計等方面都有應用，且演算法在效率與精度上已經超過傳統的學習演算法或與之不相上下。

對於經驗風險R，可以採用不同的損失函數來描述，如e不敏感函數、Quadratic函數、Huber函數、Laplace函數等。

核函數一般有多項式核、高斯徑向基核、指數徑向基核、多隱層感知核、傅立葉級數核、樣條核、 B
樣條核等，雖然一些實驗表明在分類中不同的核函數能夠產生幾乎同樣的結果，但在回歸中，不同的核函數往往對擬合結果有較大的影響

2、支持向量回歸演算法（svr）主要是通過升維後，在高維空間中構造線性決策函數來實現線性回歸，用e不敏感函數時，其基礎主要是 e
不敏感函數和核函數演算法。

若將擬合的數學模型表達多維空間的某一曲線，則根據e 不敏感函數所得的結果，就是包括該曲線和訓練點的「
e管道」。在所有樣本點中，只有分布在「管壁」上的那一部分樣本點決定管道的位置。這一部分訓練樣本稱為「支持向量」。為適應訓練樣本集的非線性，傳統的擬合方法通常是在線性方程後面加高階項。此法誠然有效，但由此增加的可調參數未免增加了過擬合的風險。支持向量回歸演算法採用核函數解決這一矛盾。用核函數代替線性方程中的線性項可以使原來的線性演算法「非線性化」，即能做非線性回歸。與此同時，引進核函數達到了「升維」的目的，而增加的可調參數是過擬合依然能控制。

⑥ 支持向量機為什麼比神經網路好神經網路不是可以訓練很多次嗎

神經網路需要的數據量十分龐大，實際中很難得到

⑦ SVM（支持向量機）屬於神經網路范疇嗎

支持向量機是什麼?SVM是英語「支持向量機」的縮寫，支持向量機是一種常見的識別方法。在機器學習領域，它是一種監督學習模式，通常用於模式識別、分類和回歸分析。

另外我想說的是，我們不管研究哪一個范圍的科技學術問題，都要從自身去構造一套完善的思考邏輯，列好一個思考網路，從一是什麼，二是什麼三是什麼一直往下走，這樣子才更有利於我們思考問題，希望我的回答對你有幫助。

⑧ 三種預測模型效果比較

唐益群（2007）提出的工程中常用的基坑降水造成沉降的經驗公式：

基坑降水工程的環境效應與評價方法

式中：ΔH——降水深度，為降水面和原地下水位面的深度差；

ΔP——降水產生的自重附加應力，ΔP=ΔH·γ_w/4；

E——降水深度范圍內土層的壓縮模量。

對於同樣5組實測數據應用三種不同方法預測地面沉降量的結果見表4-13。由表可見工程經驗估演算法結果的相對誤差大多大於40%，基於BP神經網路地面沉降預測模型預測誤差可控制在不大於20%，支持向量基地面沉降預測模型預測誤差可控制在不大於10%。可見無論是基於BP神經網路理論還是基於支持向量機理論的預測模型，其預測精度均好於傳統經驗公式。

表4.12 工程經驗估演算法誤差分析

表4.13 三種方法誤差對比

導致以上結果的原因如下：

（1）工程經驗法考慮的引發基坑周邊地面沉降的因素較少，且其推導過程很難准確反映真實的水土耦合作用過程。

（2）BP神經網路雖然理論上能夠得到較理想的預測結果，但其准確度高度依賴於樣本數量的多少和樣本質量，而在實際工程應用中，很難獲得大量高質量的工程監測數據作為訓練樣本，可能是此次項目研究中採用該方法沒能得到理想結果的原因。

（3）支持向量機能夠適應根據小樣本數據進行預測的情況，並且能夠從有限樣本中剔除低質量的較為離散的樣本數據，從而對於基坑降水引發的地面沉降的預測給出了較為理想的結果。

⑨ 支持向量機和神經網路哪個收斂速度快

神經網路是基於傳統統計學的基礎上的.傳統統計學研究的內容是樣本無窮大時的漸進理論,即當樣本數據趨於無窮多時的統計性質,而實際問題中樣本數據往往是有限的.因此,假設樣本數據無窮多,並以此推導出的各種演算法很難在樣本數據有限時取得理想的應用效果.
而支持向量機則是基於統計學理論的基礎上的,可以克服神經網路難以避免的問題.通過支持向量機在逼近能力方面與BP網路模擬結果的比較表明,支持向量機具有較強的逼近能力和泛化能力.
至於收斂速度，BP神經網路的速度比向量機要慢。尤其是層次較高的時候。