مزایا:
1. می تواند داده های با ابعاد بالا را به طور موثر اداره کند.
2. با حجم نمونه کوچک عملکرد خوبی داشته باشید.
3. می تواند داده های غیرخطی قابل جداسازی را با استفاده از روش های هسته مدیریت کند.
4. داشتن پیش زمینه ریاضی قوی، که آنها را قابل توضیح و تنظیم آسان می کند.
5. به دلیل توانایی آنها در به حداقل رساندن ریسک ساختاری، تمایل به تعمیم خوبی دارند.
6. می تواند نقاط پرت را به طور موثر تشخیص دهد.
معایب:
1. SVM ها می توانند به انتخاب هسته و فراپارامترها حساس باشند که نیاز به دانش تخصصی دارد.
2. از نظر محاسباتی گران هستند، به خصوص برای مجموعه داده های بزرگ.
3. ممکن است در مسائل طبقه بندی چند کلاسه بدون استفاده از روش های پیچیده تر، مانند هسته یک در مقابل همه یا چند کلاس، عملکرد خوبی نداشته باشد.
4. آنها می توانند تحت تأثیر داده های نامتعادل قرار گیرند و ممکن است به تکنیک های پیش پردازش داده ها نیاز داشته باشند.
5. تفسیر SVMها ممکن است چالش برانگیز باشد زیرا منطقه حاشیه می تواند پیچیده باشد.
تاریخ انتشار: