神经网络预测的优缺点

神经网络：优点：分类的准确度高；并行分布处理能力强,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系；具备联想记忆的功能。

1.2 BP神经网络的缺点 然而，在实际应用中，BP神经网络的初始连接权值、阂值的选取对于BP神经网络性能具有关键性影响，若初始连接权值、阂值选取不当，则易导致BP神经网络陷入传统固有的缺陷——收敛速度慢和易陷入局部极值。

1)局部极小化问题：从数学角度看，传统的BP神经网络为一种局部搜索的优化方法，它要解决的是一个复杂非线性化问题，网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败。

在机器学习的广阔世界中，不同模型各有其独特魅力与局限。 我们来深入探讨SVM、GBDT、神经网络等主流算法的优缺点，以及它们如何在实际场景中发挥作用。 精准与效率的平衡选择机器学习模型时，首要考虑的是精度与实验效率的平衡。 SVM以其高准确率著称，尤其是通过核函数处理非线性问题，但内存消耗较大。