资源简介
二者在形式上有几分相似,但实际上有很大不同。
简而言之,神经网络是个“黑匣子”,优化目标是基于经验风险最小化,易陷入局部最优,训练结果不太稳定,一般需要大样本;
而支持向量机有严格的理论和数学基础,基于结构风险最小化原则, 泛化能力优于前者,算法具有全局最优性, 是针对小样本统计的理论。
目前来看,虽然二者均为机器学习领域非常流行的方法,但后者在很多方面的应用一般都优于前者。
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.支持向量机因其特有的优越性在将越来越受到各领域的重视,具有很好的应用前景.
代码片段和文件信息
- 上一篇:矩阵论期末小论文北京邮电大学
- 下一篇:Logisim单周期CPU
相关资源
- som神经网络用于实现图像压缩
- 多用户检测算法
- BP神经网络算法在年电力负荷预测中的
- 遗传算法优化BP神经网络权值和阈值
- 基于遗传算法的SVM方法
- rbf神经网络图像识别
- 基于SOA神经网络的PID参数自整定程序
- libsvm 数据格式转换宏命令---FormatDat
- 风电场风速预测的RBF神经网络模型
- 神经网络形状识别含源代码
- 基于BAPSO-PNN神经网络算法的空气质量
- 学习率对神经网络迭代次数和准确率
- FormatDatalibsvm转换数据格式为libsvm要求
- 神经网络与深度学习 吴岸城 带目录
- 神经计算智能基础原理方法pdf 网盘链
- 神经网络动量_自适应学习率BP算法与
- DC2AC converter with SVM in Plecs
- 支持向量机用于遥感影像分类
- 神经网络新算法
- svm手写数字识别
- SVM教程PPT
- 基于HOG和SVM的图像识别方法
- 5折交叉验证bp神经网络分类
- 人工神经网络bp.m文件
- 支持向量机参数优化.rar
- 神经网络bp
- sigmoid函数的FPGA实现
- 神经网络和PID控制
- 基于神经网络的印刷体字母数字识别
- bf神经网络预测蛋白质的结构
评论
共有 条评论