今天本站小编来和大家聊聊关于svm和神经网络的区别这个话题，这个话题的探讨数比较多，所以下面为大家分享几个热度比较高的相关话题，希望能够帮助到大家

SVM属于神经网络范畴吗

不属于，但是SVM和神经网络有许多联系，比如采用sigmoid核的SVM和前馈神经网络就有一些类似，采用RBF核的SVM与RBF神经网络又有一些异同

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

特别是这个线性支持向量机的计算部分和单层神经网络是一样的，这只是一个矩阵乘积

SVM的关键在于它的铰链损耗和最大限度的概念

这种损耗也可以用于神经网络(参见r - cnn的对象检测方法)

这个问题支持向量机属于神经网络范畴吗?处理非线性数据,支持向量机和神经网络两种不同的路径:通过多种方法实现非线性函数神经网络的隐层,有一些理论支持(如隐层神经网络可以模拟任何函数),但是现在不是很完美的;SVM采用的是内核欺骗方法，在理论上是相对完整的(RKHS，只是一个函数函数的线性空间)

两者都是好的和坏的，并且最近的神经网络的好处是网页设计可以灵活，但是老人据说是一个伟大的上帝

SVM的理论很好，但是内核设计并不是那么容易，所以最近不太热

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

svm和神经网络,哪个复杂度大?

年代很久远的贴了，我觉得svm结构比普通神经网络复杂，但训练过程神经网络比Svm复杂，不过深度神经网络无论是结构还是训练都比svm复杂

svm是把数据从低维映射到高维，而RBF神经网络也是这样，从这一点来说，区别是什么，谢谢

区别在于RBF是一个显示映射，而svm是通过内积构造核函数，是一个隐示的映射

支持向量机学习的过程和神经网络学习的过程有什么区别？神经网络有误差反向传播的过程，SVM有么？

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

到此，本话题已经为大家介绍完毕，如果觉得不错的话，可以分享本篇文章【svm和神经网络的区别】给好友，希望对你有所帮助