二者在形式上有幾分相似,但實際上有很大不同。 簡而言之，神經網絡是個“黑匣子”，優(yōu)化目標是基于經驗風險最小化，易陷入局部最優(yōu)，訓練結果不太穩(wěn)定，一般需要大樣本； 而支持向量機有嚴格的理論和數學基礎，基于結構風險最小化原則, 泛化能力優(yōu)于前者，算法具有全局最優(yōu)性, 是針對小樣本統(tǒng)計的理論。 目前來看，雖然二者均為機器學習領域非常流行的方法，但后者在很多方面的應用一般都優(yōu)于前者。 神經網絡是基于傳統(tǒng)統(tǒng)計學的基礎上的.傳統(tǒng)統(tǒng)計學研究的內容是樣本無窮大時的漸進理論,即當樣本數據趨于無窮多時的統(tǒng)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,并以此推導出的各種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于統(tǒng)計學理論的基礎上的,可以克服神經網絡難以避免的問題.通過支持向量機在逼近能力方面與BP網絡仿真結果的比較表明,支持向量機具有較強的逼近能力和泛化能力.支持向量機因其特有的優(yōu)越性在將越來越受到各領域的重視,具有很好的應用前景.