Алгоритм машины опорных векторов является одним из наиболее часто используемых алгоритмов и представляет собой естественный подход к разбиению данных на разные классы и максимизации маржи. Подробнее об этом здесь.

Этот пост призван стать краткой памяткой для любого специалиста по науке о данных или машинному обучению о том, каковы основные преимущества и недостатки SVM.

Преимущества:

  1. Это дает исследователю возможность избежать переобучения путем настройки параметра регуляризации (c)
  2. Доказывает свою надежность в пространстве большего размера
  3. Обучение с полуучителем может быть реализовано с помощью SVM.
  4. Может управлять нелинейными данными с помощью хитрости ядра.
  5. Эффективен в случае, когда количество измерений больше, чем количество выборок
  6. Меньше параметров, которые необходимо учитывать при настройке (ядро, регуляризация (c), гамма)
  7. В зависимости от потребности может быть определено персонализированное ядро

Недостатки:

  1. Универсальность, предлагаемая настройкой параметров, может стать проблематичной, если вы не знаете, как эти значения действительно влияют на модель.
  2. Высокая алгоритмическая сложность
  3. Обширные требования к памяти
  4. Для разных наборов данных разные функции ядра показывают разные результаты.
  5. Чувствителен к выбросам
  6. Не дает вероятностного объяснения классификации
  7. Обучение занимает много времени.