Zalety:
1. Potrafi efektywnie obsługiwać dane wielowymiarowe.
2. Wykonaj dobrze z małą próbką.
3. Potrafi obsługiwać dane nieliniowo separowalne przy użyciu metod jądra.
4. Mają solidne podstawy matematyczne, co czyni je zrozumiałymi i łatwymi do dostrojenia.
5. Mają tendencję do dobrego generalizowania ze względu na ich zdolność do minimalizowania ryzyka strukturalnego.
6. Potrafi skutecznie wykrywać wartości odstające.
Wady:
1. Maszyny SVM mogą być wrażliwe na wybór jądra i hiperparametrów, co wymaga specjalistycznej wiedzy.
2. Są kosztowne obliczeniowo, zwłaszcza w przypadku dużych zbiorów danych.
3. Może nie działać dobrze w problemach z klasyfikacją wieloklasową bez użycia bardziej złożonych metod, takich jak jądro jeden na wszystkich lub wieloklasowe.
4. Mogą na nie wpływać niezrównoważone dane i mogą wymagać technik wstępnego przetwarzania danych.
5. Interpretacja SVM może być trudna, ponieważ region marginesu może być złożony.
Data publikacji: