Keunggulan:
1. Dapat menangani data berdimensi tinggi secara efektif.
2. Lakukan dengan baik dengan ukuran sampel yang kecil.
3. Dapat menangani data yang dipisahkan secara non-linear menggunakan metode kernel.
4. Memiliki latar belakang matematika yang kuat, yang membuatnya dapat dijelaskan dan mudah disesuaikan.
5. Cenderung menggeneralisasi dengan baik karena kemampuannya meminimalkan risiko struktural.
6. Dapat mendeteksi outlier secara efektif.
Kekurangan:
1. SVM bisa sensitif terhadap pemilihan kernel dan hyperparameter, yang membutuhkan pengetahuan ahli.
2. Komputasinya mahal, terutama untuk kumpulan data besar.
3. Mungkin tidak bekerja dengan baik dalam masalah klasifikasi multi-kelas tanpa menggunakan metode yang lebih kompleks, seperti kernel satu-vs-semua atau multi-kelas.
4. Mereka dapat dipengaruhi oleh data yang tidak seimbang dan mungkin memerlukan teknik preprocessing data.
5. Interpretasi SVM mungkin menantang karena wilayah margin bisa rumit.
Tanggal penerbitan: