SVM浅层机器学习算法

深度学习很厉害，但是并不意味着其他的机器学习算法就失去用武之地！

与SVM相比，NN有一些明显的局限性：

1. 数据匮乏时效果不好：要训练NN需要大量数据。当数据很少时，NN的效果可能没那么好；
2. 巨大的计算资源要求：训练SVM不需要GPU；
3. CNN包含空间属性：卷积运算是对一组有序像素或者一系列相邻的文字/音频信号处理。如果将像素/文字/音频信号这类有前后关系的内容打散后将完全改变CNN的输出。也就是说特征的顺序对CNN来说很重要，或者说卷积是“空间”操作，而SVM不受影响；
4. 参数优化复杂：NN需要调整的参数很多，而SVM只需要调整2-3个参数；
5. 解释性较差：很多时候我们对NN网络内部情况一无所知，特别是在靠近输出层。这让NN网络难以改进，因为我们不太了解究竟出了什么问题，只能不断的尝试。SVM也可能无法完全解释，但它们比NN更易解释。
6. 更长设置时间：除非做的工作与ImageNet非常相似，否则就找不到预先训练好的模型。所以即使构建了标准的深度学习框架，也必须编写大量代码来训练和评估合理的NN模型。而使用SVM，往往可以在很短时间内开始训练模型。

引用：如果深度学习是未来，那么SVM等浅层学习方法还有用吗？ - 知乎 (zhihu.com)