Hay varias ventajas en el uso de un modelo de red neuronal, en particular que la red se adapta a una amplia gama de parámetros y requisitos de datos, además de que son fáciles de usar y requieren estadísticas mínimas. capacitación. Además, las redes neuronales tienen la capacidad de aprender (en un sentido limitado), lo que las convierte en el modelo más cercano disponible para un operador humano.
Las redes neuronales son lo suficientemente avanzadas como para detectar cualquier relación compleja entre entradas y salidas, lo que es otra ventaja al usar este modelo.
Por supuesto, las redes neuronales no están exentas de desventajas. Debido a la naturaleza complicada y avanzada del modelo, son muy difíciles de diseñar, por ejemplo.
Si bien la adaptabilidad y la sensibilidad de una red neuronal es sin duda una ventaja, también conlleva problemas. Dado que una red neuronal reaccionará incluso al cambio más pequeño en los datos, a menudo puede ser muy difícil modelar analíticamente como resultado.
La ejecución de una red neuronal también requiere una gran cantidad de recursos informáticos, lo que la hace costosa y posiblemente poco práctica para algunas compañías y aplicaciones.
Además, aunque las redes neuronales son excelentes y procesan grandes cantidades de datos, esta ventaja disminuye en relación con el tamaño de una muestra de datos. Las muestras pequeñas, por ejemplo, no se utilizarán de manera efectiva ya que la red funciona mejor con muestras grandes.
