Ưu điểm:
1. Có thể xử lý dữ liệu chiều cao một cách hiệu quả.
2. Thực hiện tốt với cỡ mẫu nhỏ.
3. Có thể xử lý dữ liệu có thể phân tách phi tuyến tính bằng các phương thức kernel.
4. Có nền tảng toán học vững chắc, giúp chúng dễ giải thích và dễ điều chỉnh.
5. Có xu hướng khái quát hóa tốt nhờ khả năng giảm thiểu rủi ro cấu trúc.
6. Có thể phát hiện các ngoại lệ một cách hiệu quả.
Nhược điểm:
1. SVM có thể nhạy cảm với việc lựa chọn hạt nhân và siêu tham số, đòi hỏi kiến thức chuyên môn.
2. Chúng đắt tiền về mặt tính toán, đặc biệt đối với các bộ dữ liệu lớn.
3. Có thể không thực hiện tốt các bài toán phân loại nhiều lớp nếu không sử dụng các phương pháp phức tạp hơn, chẳng hạn như nhân một so với tất cả hoặc nhân nhiều lớp.
4. Chúng có thể bị ảnh hưởng bởi dữ liệu mất cân bằng và có thể yêu cầu các kỹ thuật tiền xử lý dữ liệu.
5. Việc giải thích các SVM có thể gặp khó khăn vì vùng biên có thể phức tạp.
Ngày xuất bản: