支持向量机为什么比神经网络好？神经网络不是可以训练很多次吗？

我看那些理论介绍，都是说支持向量机比神经网络好。但是我用这两个做预测的时候，选了核函数以后，支持向量回归算出来的，在给定样本的情况下预测出来的肯定是个定值啊。但是神经网络可以训练很多次，不同的权值和阈值预测效果肯定不同，那我就可以挑一个拟合误差最小的来作为最终的神经网络，那这样肯定找得出比支持向量机要好的结果，那为什么能说他一定比神经网络好呢？求解答，谢谢，感激不尽

特别是支持向量机的泛化能力，都说支持向量机泛化能力好，可是我怎么觉得它泛化能力不如神经网络啊，求帮忙，谢谢

神经网络需要的数据量十分庞大，实际中很难得到

你好！支持向量机svm ( support vector machines)是由vanpik领导的at&tbell实验室研究小组 在1963年提出的一种新的非常有潜力的分类技术, svm是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域.由于当时这些研究尚不十分完善,在解决模式识别问题中往往趋于保守,且数学上比较艰涩,因此这些研究一直没有得到充的重视.直到90年代,一个较完善的理论体系—统计学习理论 ( statisticallearningtheory,简称slt) 的实现和由于神经网络等较新兴的机器学习方法的研究遇到一些重要的困难,比如如何确定网络结构的问题、过学习与欠学习问题、局部极小点问题等,使得svm迅速发展和完善,在解决小样本 、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中.从此迅速的发展起来，现在已经在许多领域（生物信息学，文本和手写识别等）都取得了成功的应用。 svm的关键在于核函数，这也是最喜人的地方。低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，我们就可以得到高维空间的分类函数。在svm理论中，采用不同的核函数将导致不同的svm算法 它是一种以统计学理论为基础的，以结构风险最小化的学习机学习方法，要优于神经网络学习。