Некоторые преимущества метода опорных векторов (SVM) для распознавания изображений:

• Обработка многомерных данных. 1 SVM эффективен при работе с такими данными, что важно для классификации изображений. 1
• Работа с небольшими наборами данных. 1 Для определения границы алгоритму требуется лишь небольшое количество опорных векторов. 1
• Моделирование нелинейных границ принятия решений. 1 SVM может преобразовывать данные в многомерное пространство, где они становятся линейно разделяемыми. 1
• Устойчивость к шуму. 1 Граница принятия решения определяется опорными векторами, которые являются ближайшими точками данных к границе. 1
• Обобщение. 1 SVM способен хорошо классифицировать новые, невидимые данные. 1
• Универсальность. 1 Метод может использоваться в широком спектре приложений, включая компьютерное зрение. 1
• Простота понимания, реализации и использования. 3 На практике использование этого метода не требует углублённых знаний об оптимизации. 3

Некоторые недостатки SVM:

• Вычислительная сложность. 4 SVM может быть вычислительно сложным для обучения на больших наборах данных. 4
• Чувствительность к выбору функции ядра. 4 Некоторые ядра работают лучше на определённых типах данных, и выбор неправильного ядра может привести к плохим результатам. 4
• Интенсивный расход памяти. 1 Алгоритм требует хранения матрицы ядра, которая может быть большой для больших наборов данных. 1
• Ограничение задачами двух классов. 1 SVM в основном используются для задач двух классов, хотя многоклассовые задачи могут быть решены с использованием специальных стратегий. 1
• Отсутствие вероятностной интерпретации. 1 SVM не обеспечивают вероятностную интерпретацию границы принятия решения, что может быть недостатком в некоторых приложениях. 1
• Не подходит для наборов данных с пропущенными значениями. 1 SVM требует полных наборов данных без пропущенных значений, он не может обрабатывать такие данные. 1