Há uma série de vantagens em usar um modelo de rede neural, principalmente que a rede é adaptável a uma ampla gama de parâmetros e requisitos de dados, bem como o fato de serem fáceis de usar, exigindo estatísticas mínimas treinamento. Além disso, as redes neurais têm a capacidade de aprender (em um sentido limitado), tornando-as o modelo mais próximo disponível para um operador humano.
As redes neurais são avançadas o suficiente para detectar qualquer relacionamento complexo entre entradas e saídas também, o que é outra vantagem ao usar este modelo.
É claro que as redes neurais têm suas desvantagens. Devido à natureza complicada e avançada do modelo, eles são muito difíceis de projetar, por exemplo.
Embora a adaptabilidade e a sensibilidade de uma rede neural sejam certamente uma vantagem, ela também apresenta problemas. Dado que uma rede neural reagirá até mesmo à menor alteração nos dados, muitas vezes pode ser muito difícil modelar analiticamente como resultado.
Executar uma rede neural também requer uma grande quantidade de recursos de computação, tornando-o caro e possivelmente impraticável para algumas empresas e aplicativos.
Além disso, embora as redes neurais sejam excelentes e processem grandes quantidades de dados, essa vantagem diminui em relação ao tamanho de uma amostra de dados. Amostras pequenas, por exemplo, não serão usadas de forma eficaz, pois a rede opera melhor com amostras grandes.