支持向量机和神经网络哪个好用

① 支持向量机为什么比神经网络好神经网络不是可以训练很多次吗

你好！支持向量机SVM ( Support Vector Machines)是由Vanpik领导的AT&TBell实验室研究小组 在1963年提出的一种新的非常有潜力的分类技术, SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域.由于当时这些研究尚不十分完善,在解...

② 推荐一款支持向量机SVM和神经网络软件

迈实软件（meshcade）有神经网络和支持向量机SVM软件，有入门视频教程，可下载一试。

③ 深度神经网络 为什么 选择 支持向量机

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。多层神经网络是指单计算层感知器只能解决线性可分问题，而大量的分类问题是线性不可分的。克服单计算层感知器这一局限性的有效办法是，在输入层与输出层之间引入隐层（隐层个数可以大于或等于1）作为输入模式“的内部表示”，单计算层感知器变成多（计算）层感知器。补充：深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

④ 支持向量机和神经网络那个前景更好

你好！支持向量机SVM ( Support Vector Machines)是由Vanpik领导的AT&TBell实验室研究小组
在1963年提出的一种新的非常有潜力的分类技术, SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域.由于当时这些研究尚不十分完善,在解决模式识别问题中往往趋于保守,且数学上比较艰涩,因此这些研究一直没有得到充的重视.直到90年代,一个较完善的理论体系—统计学习理论 ( StatisticalLearningTheory,简称SLT) 的实现和由于神经网络等较新兴的机器学习方法的研究遇到一些重要的困难,比如如何确定网络结构的问题、过学习与欠学习问题、局部极小点问题等,使得SVM迅速发展和完善,在解决小样本 、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中.从此迅速的发展起来，现在已经在许多领域（生物信息学，文本和手写识别等）都取得了成功的应用。
SVM的关键在于核函数，这也是最喜人的地方。低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，我们就可以得到高维空间的分类函数。在SVM理论中，采用不同的核函数将导致不同的SVM算法
它是一种以统计学理论为基础的，以结构风险最小化的学习机学习方法，要优于神经网络学习。

⑤ svr算法和svm算法哪个好

1、支持向量机（ SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则
为了最小化期望风险，应同时最小化经验风险和置信范围）

支持向量机方法的基本思想：

（ 1
）它是专门针对有限样本情况的学习机器，实现的是结构风险最小化：在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷，以期获得最好的推广能力；

（ 2
）它最终解决的是一个凸二次规划问题，从理论上说，得到的将是全局最优解，解决了在神经网络方法中无法避免的局部极值问题；

（ 3
）它将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性决策函数来实现原空间中的非线性决策函数，巧妙地解决了维数问题，并保证了有较好的推广能力，而且算法复杂度与样本维数无关。

目前， SVM
算法在模式识别、回归估计、概率密度函数估计等方面都有应用，且算法在效率与精度上已经超过传统的学习算法或与之不相上下。

对于经验风险R，可以采用不同的损失函数来描述，如e不敏感函数、Quadratic函数、Huber函数、Laplace函数等。

核函数一般有多项式核、高斯径向基核、指数径向基核、多隐层感知核、傅立叶级数核、样条核、 B
样条核等，虽然一些实验表明在分类中不同的核函数能够产生几乎同样的结果，但在回归中，不同的核函数往往对拟合结果有较大的影响

2、支持向量回归算法（svr）主要是通过升维后，在高维空间中构造线性决策函数来实现线性回归，用e不敏感函数时，其基础主要是 e
不敏感函数和核函数算法。

若将拟合的数学模型表达多维空间的某一曲线，则根据e 不敏感函数所得的结果，就是包括该曲线和训练点的“
e管道”。在所有样本点中，只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”。为适应训练样本集的非线性，传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效，但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算法“非线性化”，即能做非线性回归。与此同时，引进核函数达到了“升维”的目的，而增加的可调参数是过拟合依然能控制。

⑥ 支持向量机为什么比神经网络好神经网络不是可以训练很多次吗

神经网络需要的数据量十分庞大，实际中很难得到

⑦ SVM（支持向量机）属于神经网络范畴吗

支持向量机是什么?SVM是英语“支持向量机”的缩写，支持向量机是一种常见的识别方法。在机器学习领域，它是一种监督学习模式，通常用于模式识别、分类和回归分析。

另外我想说的是，我们不管研究哪一个范围的科技学术问题，都要从自身去构造一套完善的思考逻辑，列好一个思考网络，从一是什么，二是什么三是什么一直往下走，这样子才更有利于我们思考问题，希望我的回答对你有帮助。

⑧ 三种预测模型效果比较

唐益群（2007）提出的工程中常用的基坑降水造成沉降的经验公式：

基坑降水工程的环境效应与评价方法

式中：ΔH——降水深度，为降水面和原地下水位面的深度差；

ΔP——降水产生的自重附加应力，ΔP=ΔH·γ_w/4；

E——降水深度范围内土层的压缩模量。

对于同样5组实测数据应用三种不同方法预测地面沉降量的结果见表4-13。由表可见工程经验估算法结果的相对误差大多大于40%，基于BP神经网络地面沉降预测模型预测误差可控制在不大于20%，支持向量基地面沉降预测模型预测误差可控制在不大于10%。可见无论是基于BP神经网络理论还是基于支持向量机理论的预测模型，其预测精度均好于传统经验公式。

表4.12 工程经验估算法误差分析

表4.13 三种方法误差对比

导致以上结果的原因如下：

（1）工程经验法考虑的引发基坑周边地面沉降的因素较少，且其推导过程很难准确反映真实的水土耦合作用过程。

（2）BP神经网络虽然理论上能够得到较理想的预测结果，但其准确度高度依赖于样本数量的多少和样本质量，而在实际工程应用中，很难获得大量高质量的工程监测数据作为训练样本，可能是此次项目研究中采用该方法没能得到理想结果的原因。

（3）支持向量机能够适应根据小样本数据进行预测的情况，并且能够从有限样本中剔除低质量的较为离散的样本数据，从而对于基坑降水引发的地面沉降的预测给出了较为理想的结果。

⑨ 支持向量机和神经网络哪个收敛速度快

神经网络是基于传统统计学的基础上的.传统统计学研究的内容是样本无穷大时的渐进理论,即当样本数据趋于无穷多时的统计性质,而实际问题中样本数据往往是有限的.因此,假设样本数据无穷多,并以此推导出的各种算法很难在样本数据有限时取得理想的应用效果.
而支持向量机则是基于统计学理论的基础上的,可以克服神经网络难以避免的问题.通过支持向量机在逼近能力方面与BP网络仿真结果的比较表明,支持向量机具有较强的逼近能力和泛化能力.
至于收敛速度，BP神经网络的速度比向量机要慢。尤其是层次较高的时候。