ANN (Redes Neurais Artificiais) e SVM (Máquinas de Vetor de Suporte) são duas estratégias populares para aprendizado e classificação supervisionados de máquinas. Muitas vezes, não é claro qual método é melhor para um projeto específico e tenho certeza de que a resposta é sempre "depende". Freqüentemente, uma combinação de ambos e a classificação bayesiana é usada.
Essas perguntas no Stackoverflow já foram feitas sobre ANN vs SVM:
qual a diferença entre RNA, SVM e KNN na minha pergunta de classificação
Suporte Vector Machine ou Rede Neural Artificial para processamento de texto?
Nesta pergunta, eu gostaria de saber especificamente quais aspectos de uma RNA (especificamente, um Multilayer Perceptron) podem tornar desejável o uso em um SVM? A razão pela qual pergunto é porque é fácil responder à pergunta oposta : Máquinas de vetores de suporte geralmente são superiores às RNAs porque evitam duas grandes fraquezas das RNAs:
(1) As RNAs frequentemente convergem para mínimos locais em vez de mínimos globais, o que significa que eles estão "perdendo a visão geral" às vezes (ou perdendo a floresta para as árvores)
(2) As RNAs geralmente se ajustam demais se o treinamento continuar muito longo, o que significa que, para qualquer padrão, uma RNA pode começar a considerar o ruído como parte do padrão.
Os SVMs não sofrem desses dois problemas. No entanto, não é prontamente aparente que os SVMs sejam um substituto total para as RNAs. Então, quais vantagens específicas uma RNA possui sobre um SVM que pode torná-lo aplicável a determinadas situações? Eu listei vantagens específicas de um SVM sobre uma RNA, agora eu gostaria de ver uma lista de vantagens da RNA (se houver).