ANN(人工神经网络)和SVM(支持向量机)是监督机器学习和分类的两种流行策略。对于一个特定的项目，通常不清楚哪种方法更好，我确定答案总是“视情况而定”。通常，两者结合使用贝叶斯分类。

这些关于Stackoverflow的问题已经被问到关于ANN和SVM的问题:

神经网络与支持向量机分类

在我的分类问题中，ANN, SVM和KNN有什么区别

支持向量机或人工神经网络的文本处理?

在这个问题中，我想具体知道人工神经网络(特别是多层感知器)的哪些方面可能比支持向量机更可取?我问这个问题的原因是很容易回答相反的问题:支持向量机通常优于ann，因为它们避免了ann的两个主要弱点:

(1)人工神经网络通常收敛于局部极小值，而不是全局极小值，这意味着它们有时本质上“看不到大局”(或只见树不见林)。

(2)如果训练时间过长，人工神经网络通常会过拟合，这意味着对于任何给定的模式，人工神经网络可能会开始考虑噪声作为模式的一部分。

支持向量机不会遭受这两个问题中的任何一个。然而，目前还不清楚svm是否可以完全取代ann。那么，与支持向量机相比，人工神经网络有哪些特定的优势，可能使其适用于某些情况?我已经列出了支持向量机相对于人工神经网络的特定优势，现在我想看看人工神经网络的优势(如果有的话)。

我发现朴素贝叶斯的过程很难理解，我想知道是否有人能用英语解释一个简单的一步一步的过程。我知道它以发生次数为概率进行比较，但我不知道训练数据如何与实际数据集相关。

请给我解释一下训练集的作用。我在这里举一个非常简单的水果例子，比如香蕉

training set---
round-red
round-orange
oblong-yellow
round-red

dataset----
round-red
round-orange
round-red
round-orange
oblong-yellow
round-red
round-orange
oblong-yellow
oblong-yellow
round-red