Выполнение уменьшения размерности перед установкой SVM может быть полезным по следующим причинам:

• Упрощение модели. 5 Наличие в наборе данных избыточных, неинформативных или слабо информативных признаков может понизить эффективность модели. 5 После уменьшения размерности она упрощается. 5
• Уменьшение размера набора данных в памяти. 5 Это ускоряет работу алгоритмов машинного обучения на нём. 5
• Экономия финансовых затрат. 1 Если опытное получение значений сокращённых компонент финансово затратно, то можно сэкономить. 1

Однако стоит учитывать, что уменьшение размерности может привести к потере в репрезентативности данных, так как становится непонятно, за что отвечают новые признаки. 5

Таким образом, решение о выполнении уменьшения размерности перед установкой SVM зависит от конкретной задачи и целей пользователя.