대부분의 문제에 신경망을 사용하고 있습니다. 요점은 대부분의 경우 모델보다는 사용자의 경험에 관한 것입니다. NN을 좋아하는 이유는 다음과 같습니다.
- 융통성이 있습니다. 나는 힌지 손실, 제곱, 교차 엔트로피 등 내가 원하는 것을 잃을 수 있습니다. 차별화가 가능한 한, 내 요구에 정확히 맞는 손실을 설계 할 수도 있습니다.
- 그들은 베이지안 신경망, 변형 베이 즈, MLE / MAP 등 모든 것을 유아식으로 치료할 수 있습니다. (그러나 경우에 따라 더 어려워집니다.)
- 그들은 빠르다. 대부분의 MLP는 두 개의 행렬 곱셈과 하나의 비선형 성이 그 사이에 현명하게 적용됩니다. SVM으로 이길 수 있습니다.
나는 당신의 다른 요점들을 단계적으로 살펴볼 것입니다.
강력한 창립 이론을 가지고
이 경우 NN도 마찬가지로 강력합니다. 확률 적 프레임 워크에서 NN을 훈련시키기 때문입니다. 이를 통해 사전 및 베이지안 치료 (예 : 변형 기술 또는 근사)를 사용할 수 있습니다.
2 차 프로그래밍으로 글로벌 최적 달성
한 세트의 하이퍼 파라미터 그러나 좋은 hp를 찾는 것은 볼록하지 않으며, 전 세계적으로 최적을 찾았는지 알 수 없습니다.
적절한 수의 매개 변수를 선택하는 데 문제가 없습니다
SVM을 사용하면 하이퍼 매개 변수도 선택해야합니다.
예측 모델을 저장하기 위해 더 적은 메모리 필요
지지 벡터를 저장해야합니다. SVM은 일반적으로 MLP를 저장하는 데 더 저렴하지는 않지만 경우에 따라 다릅니다.
더 읽기 쉬운 결과와 기하학적 해석
MLP의 최상위 계층은 분류의 경우 로지스틱 회귀입니다. 따라서 기하학적 해석 (초평면 분리)과 확률 론적 해석도 있습니다.