我是否可以说神经网络擅长寻找问题的一个“足够好”的解决方案？

我这样想是因为它们不会为给定的输入提供二进制输出，而是一个概率，例如0.67可能是一个输出。

我还猜测，因为它们经常用于泛化，所以它们擅长找到通常能解决问题但在某些罕见情况下不能解决的解决方案。

谢谢你！

回答：

这个问题没有简单的答案。神经网络的优点和缺点是一个非常复杂的话题。以下是一些要点：

• 无免费午餐定理：大致来说，这个定理证明了没有“完美”的机器学习方法。对于每一个一个方法表现良好的问题，总有另一个问题，这个方法会表现得非常糟糕。然而，这些方法失败的问题可能通过其他方法很容易解决。在进行任何机器学习时，都应始终考虑这一点。

• 神经网络的实现相当简单（你不需要像支持向量机那样需要一个好的线性代数求解器）。

• 神经网络的VC维度尚不清楚。这在你想要考虑一个解决方案可能有多好时非常重要。

• 神经网络无法重新训练。如果你后来添加数据，几乎不可能将其添加到现有网络中。

• 神经网络通常表现出与人类相似的模式。然而，这在认知科学中比在实际应用中更有意义。

• 神经网络处理时间序列数据是一个非常复杂的话题。

这是我目前能想到的。也许其他人可以补充更多。