Fordeler:
1. Kan håndtere høydimensjonale data effektivt.
2. Utfør godt med en liten prøvestørrelse.
3. Kan håndtere ikke-lineært separerbare data ved hjelp av kjernemetoder.
4. Ha en sterk matematisk bakgrunn, som gjør dem forklarlige og enkle å stille inn.
5. Har en tendens til å generalisere godt på grunn av deres evne til å minimere den strukturelle risikoen.
6. Kan oppdage uteliggere effektivt.
Ulemper:
1. SVM-er kan være følsomme for valg av kjerne og hyperparametre, som krever ekspertkunnskap.
2. De er beregningsmessig dyre, spesielt for store datasett.
3. Fungerer kanskje ikke bra i klassifiseringsproblemer med flere klasser uten å bruke mer komplekse metoder, for eksempel én mot alle eller multi-klasse kjerne.
4. De kan bli påvirket av ubalanserte data og kan kreve dataforbehandlingsteknikker.
5. Tolkning av SVM-er kan være utfordrende siden marginregionen kan være kompleks.
Publiseringsdato: