Vantaggi:
1. Può gestire efficacemente i dati multidimensionali.
2. Eseguire bene con una piccola dimensione del campione.
3. Può gestire dati non linearmente separabili utilizzando i metodi del kernel.
4. Avere un forte background matematico, che li rende spiegabili e facili da sintonizzare.
5. Tendono a generalizzare bene grazie alla loro capacità di minimizzare il rischio strutturale.
6. Può rilevare efficacemente i valori anomali.
Svantaggi:
1. Le SVM possono essere sensibili alla scelta del kernel e degli iperparametri, che richiedono conoscenze specialistiche.
2. Sono computazionalmente costosi, specialmente per set di dati di grandi dimensioni.
3. Potrebbe non funzionare bene nei problemi di classificazione multiclasse senza utilizzare metodi più complessi, come il kernel uno contro tutti o multiclasse.
4. Possono essere influenzati da dati squilibrati e possono richiedere tecniche di preelaborazione dei dati.
5. L'interpretazione delle SVM può essere difficile in quanto la regione del margine può essere complessa.
Data di pubblicazione: