Преимущества использования метода опорных векторов (SVM) в задачах классификации и регрессии:

• Эффективность в пространствах высокой размерности и в случаях, когда число измерений больше числа выборок. 2
• Эффективность с точки зрения памяти, так как используется подмножество обучающих точек в функции принятия решений (называемых опорными векторами). 2
• Универсальность: для функции принятия решений могут быть заданы различные функциональные ядра. 2
• Нахождение оптимальной разделяющей гиперплоскости, что приводит к более уверенной классификации. 14

Недостатки использования SVM:

• Неустойчивость к шуму: выбросы в исходных данных становятся опорными объектами-нарушителями и напрямую влияют на построение разделяющей гиперплоскости. 1
• Отсутствие общих методов построения ядер и спрямляющих пространств, наиболее подходящих для конкретной задачи. 1
• Отсутствие отбора признаков. 1
• Если число признаков намного больше числа выборок, то при выборе функциональных ядер и термина регуляризации следует избегать переобучения. 2
• Метод не предоставляет оценки вероятностей напрямую, они вычисляются с помощью дорогостоящей пятикратной кросс-валидации. 2