Prednosti:
1. Može učinkovito rukovati visokodimenzionalnim podacima.
2. Izvedite dobro s malom veličinom uzorka.
3. Može rukovati nelinearno odvojivim podacima koristeći kernel metode.
4. Imaju jaku matematičku pozadinu, što ih čini objašnjivima i lakima za podešavanje.
5. Imaju tendenciju dobrog generaliziranja zbog svoje sposobnosti da minimiziraju strukturalni rizik.
6. Može učinkovito otkriti odstupanja.
Nedostaci:
1. SVM-ovi mogu biti osjetljivi na izbor kernela i hiperparametara, što zahtijeva stručno znanje.
2. Računalno su skupi, posebno za velike skupove podataka.
3. Možda neće raditi dobro u problemima klasifikacije više klasa bez korištenja složenijih metoda, kao što je jedan protiv svih ili jezgra više klasa.
4. Na njih mogu utjecati neuravnoteženi podaci i mogu zahtijevati tehnike predobrade podataka.
5. Interpretacija SVM-ova može biti izazovna budući da rubno područje može biti složeno.
Datum objave: