Voordelen:
1. Kan hoog-dimensionale gegevens effectief verwerken.
2. Presteren goed met een kleine steekproefomvang.
3. Kan niet-lineair scheidbare gegevens verwerken met behulp van kernelmethoden.
4. Een sterke wiskundige achtergrond hebben, waardoor ze verklaarbaar en gemakkelijk af te stemmen zijn.
5. Hebben de neiging om goed te generaliseren vanwege hun vermogen om het structurele risico te minimaliseren.
6. Kan uitschieters effectief detecteren.
Nadelen:
1. SVM's kunnen gevoelig zijn voor de keuze van kernel- en hyperparameters, waarvoor deskundige kennis vereist is.
2. Ze zijn rekenkundig duur, vooral voor grote datasets.
3. Presteert mogelijk niet goed bij classificatieproblemen met meerdere klassen zonder complexere methoden te gebruiken, zoals een-tegen-alles of een kernel met meerdere klassen.
4. Ze kunnen worden beïnvloed door onevenwichtige gegevens en vereisen mogelijk technieken voor gegevensvoorverwerking.
5. Interpretatie van SVM's kan een uitdaging zijn, aangezien het margegebied complex kan zijn.
Publicatie datum: