فوائد:
1. اعلی جہتی ڈیٹا کو مؤثر طریقے سے سنبھال سکتا ہے۔
2. چھوٹے نمونے کے سائز کے ساتھ اچھی کارکردگی کا مظاہرہ کریں۔
3. دانا کے طریقوں کا استعمال کرتے ہوئے غیر لکیری طور پر الگ ہونے والے ڈیٹا کو سنبھال سکتا ہے۔
4. ایک مضبوط ریاضیاتی پس منظر ہے، جو انہیں قابل وضاحت اور ٹیون کرنے میں آسان بناتا ہے۔
5. ساختی خطرے کو کم سے کم کرنے کی ان کی صلاحیت کی وجہ سے اچھی طرح عام کرنے کا رجحان رکھتے ہیں۔
6. مؤثر طریقے سے outliers کا پتہ لگا سکتا ہے.
نقصانات:
1. SVM دانا اور ہائپر پیرامیٹر کے انتخاب کے لیے حساس ہو سکتے ہیں، جس کے لیے ماہر علم کی ضرورت ہوتی ہے۔
2. وہ کمپیوٹیشنل طور پر مہنگے ہیں، خاص طور پر بڑے ڈیٹا سیٹس کے لیے۔
3. زیادہ پیچیدہ طریقے استعمال کیے بغیر ملٹی کلاس درجہ بندی کے مسائل میں اچھی کارکردگی کا مظاہرہ نہیں کر سکتا، جیسے کہ ایک بمقابلہ آل یا ملٹی کلاس کرنل۔
4. وہ غیر متوازن ڈیٹا سے متاثر ہو سکتے ہیں اور ان کو ڈیٹا پری پروسیسنگ تکنیک کی ضرورت پڑ سکتی ہے۔
5. SVMs کی تشریح مشکل ہو سکتی ہے کیونکہ حاشیہ خطہ پیچیدہ ہو سکتا ہے۔
تاریخ اشاعت: