Mạng nơron là một công cụ hữu hiệu trong các mô hình tính toán thông minh với một số đặc điểm chính sau:
- Cho phép xây dựng một một mô hình tính toán có khả năng học dữ liệu cao: Chỉ cần đ−a vào cho mạng một tập dữ liệu trong quá trình học là mạng có thể phát hiện những ràng buộc dữ liệu và áp dụng những ràng buộc này trong quá trình sử dụng mà không cần có thêm các tri thức về miền ứng dụng. Khả năng này cho phép xây dựng mô hình dữ liệu khá dễ dàng.
- Xử lý các quá trình phi tuyến: Mạng có khả năng xấp xỉ những ánh xạ phi tuyến tuỳ ý nên có thể giải đ−ợc những bài toán phi tuyến phức tạp. Nó có thể thực hiện nhiều phép lọc nằm ngoài khả năng của những bộ lọc tuyến tính thông th−ờng. Đặc tr−ng này rất quan trọng, ví dụ trong xấp xỉ mạng, miễn nhiễu (chấp nhận nhiễu) và có khả năng phân lớp.
- Khả năng của các quá trình xử song song và phân tán: Có thể đ−a vào mạng một l−ợng lớn các nơron liên kết với nhau theo những l−ợc đồ với các kiến trúc khác nhau. Mạng có cấu trúc song song lớn, có khả năng tăng tốc độ tính toán và hy vọng sẽ đáp ứng đ−ợc yêu cầu của những hệ thống cần có độ chính xác cao hơn những hệ thống truyền thống.
- Mạng nơron có khả năng dung thứ lỗi cao: Cố gắng bắt ch−ớc khả năng dung thứ lỗi của não theo nghĩa hệ thống có thể tiếp tục làm việc và điều chỉnh khi nhận tín hiệu vào có một phần thông tin bị sai lệch hoặc bị thiếu.
- Khả năng thích nghi và tự tổ chức: về đặc tr−ng này, ng−ời ta đề cập tới khả năng xử lý thích nghi và điều chỉnh bền vững dựa vào các thuật toán thích nghi và các quy tắc tự tổ chức.
- Hơn nữa, mặc dù có rất nhiều kỹ thuật và giải thuật đ−ợc sử dụng trong khai phá dữ liệu, một số kỹ thuật còn đ−ợc kết hợp để sử dụng có hiệu quả, song mạng nơron vẫn có những −u điểm đáng chú ý nh−:
o Tự động tìm kiếm tất cả các mối quan hệ có thể giữa các nhân tố chính.
o Mô hình hoá tự động các bài toán phức tạp mà không cần biết tr−ớc mức độ phức tạp.
o Có khả năng chiết xuất ra những thông tin nhanh hơn rất nhiều so với nhiều công cụ khác.
Với các đặc điểm trên ta thấy: Mạng nơron cho phép dễ dàng xây dựng các mô hình thích nghi mà trong đó sự thay đổi liên tục về quy luật dữ liệu có thể dễ dàng đ−ợc cập nhật trong quá trình học lại của mạng. Tuy nhiên, mạng nơron không phải một công cụ vạn năng, nó có một số nh−ợc điểm:
- Mạng chỉ có thể làm việc với những dữ liệu số.
- Để mạng đạt hiệu quả cần có một bộ dữ liệu mẫu đủ lớn cho quá trình học. - Mạng chỉ có tính chất nội suy. Khả năng ngoại suy rất kém.
- Mạng không đ−a ra đ−ợc cơ chế giải thích.
- Đôi khi mạng ch−a đảm bảo độ hội tụ cần thiết cho quá trình sử dụng. Nh− vậy, một mạng nơron nhân tạo khi đem vào sử dụng tr−ớc tiên phải cho mạng học các mẫu học. Bộ trọng số ban đầu của mạng th−ờng đ−ợc khởi tạo ngẫu nhiên. Quá trình học sẽ dần dần thay đổi bộ trọng số này để cực tiểu hoá sai số. Tuy nhiên, với bộ trọng số khởi tạo ngẫu nhiên, mạng th−ờng bị rơi vào các giá trị cực tiểu địa ph−ơng và quá trình hiệu chỉnh trọng số này th−ờng không mang lại kết quả mong muốn, tức là không làm giảm đáng kể sai số hoặc thậm chí có lúc còn làm tăng sai số. Một ph−ơng pháp tránh đ−ợc tr−ờng hợp cực trị địa ph−ơng là kết hợp giải thuật di truyền với mạng nơron. Giải thuật di truyền sẽ tìm kiếm một cách toàn cục các bộ trọng số tốt nhất cho mạng nơron và cho kết quả là vùng lân cận với điểm cực trị toàn cục. Sau đó, một vài bộ trọng số tốt nhất sẽ đ−ợc dùng làm các giá trị trọng số khởi tạo cho mạng nơron và kết quả sẽ là cực trị toàn cục.