SVM與神經網路。SVM和神經網路，這兩個完全是兩條不一樣的。線性SVM的計算部分就像一個單層的神經網路一樣，而非線性SVM就完全和神經網路不一樣了。隨著現在機器學習，深度學習的不斷髮展，神經網路應用也來也廣泛，且效果比傳統的方法要好。但是研究者真正對神經網路裡面的原理和神經元到底是如何工作的很難解釋清楚。相反SVM沒有神經網路那麼火，但是SVM的解釋性比神經網路容易懂。且有些任務採用SVM效果也不錯，需要的計算記憶體也沒有那麼大，沒有必要非要用到神經網路。雖然神經網路很火，但是研究SVM也是必要的。

有一個點要明確，沒有最好的模型，只有最合適的模型。深度學習之所以突然爆發是因為卷積在影象資料上的天然優勢，使得現在的影象方向到了一個必用神經網路的地步，要知道在Alexnet之前svm的效能是一度超過神經網路的。再回到最合適模型的問題上來，svm一直是本人最喜歡的模型，他在小樣本資料集的表現是非常好的，他的思路也非常明確，同傳統的機器學習演算法一樣，解釋性很強，加上各種核函式的使用，幾乎可以應對大部分情況。但是他的短板也很明顯，因為他是二次最佳化的，計算量很大，一般情況下超過一萬對資料集時，就會慢的比較明顯，當然比cnn之類的訓練要快很多的，畢竟cnn之類的訓練一直是一個問題，近期似乎推出了一個快速網路，沒有關注。

很同意之前別人的回答，svm的創新主要就是在核函式上的優化了。至於神經網路，有句話叫做玄學煉丹，神經網路就像煉丹，模型的解釋行很差，特徵的選取靠卷積和池化，至於為什麼，沒法解釋，沒人知道到底發生了什麼而且現階段更加關注新網路的結構，畢竟cnn已死，gnn當立的話都有了。

最後，好馬配好鞍，具體問題具體對待，好的模型一定是具有好的泛化能力，適應當前的也許場景的，如果再要深入，那就要看學術圈的進展了。