Yanıtlar:
Dört ana avantajı vardır: Birincisi, kullanıcının aşırı takılmadan kaçınmayı düşünmesini sağlayan bir düzenleme parametresine sahiptir. İkincisi, çekirdek hilesini kullanır, böylece çekirdeği tasarlayarak sorun hakkında uzman bilgisi oluşturabilirsiniz. Üçüncüsü, bir SVM, verimli yöntemlerin (örn. SMO) olduğu dışbükey bir optimizasyon problemi (yerel minimum) ile tanımlanır. Son olarak, test hata oranı üzerindeki bir sınırlamaya bir yaklaşımdır ve arkasında iyi bir fikir olması gerektiğini gösteren önemli bir teori vardır.
Dezavantajları, teorinin sadece düzenli bir değerleme ve çekirdek parametreleri ve çekirdek seçimi için parametrelerin belirlenmesini kapsamasıdır. Bir şekilde SVM, aşırı uyum sorununu parametreleri optimize etmekten model seçimine taşır. Ne yazık ki çekirdek modelleri, model seçim ölçütüne aşırı uymaya oldukça duyarlı olabilir, bkz.
GC Cawley ve NLC Talbot, Model seçiminde aşırı uyum ve performans değerlendirmesinde müteakip seçim eğilimi, Journal of Machine Learning Research, 2010. Research, cilt. 11, s.2079-2107, Temmuz 2010. ( pdf )
Bununla birlikte, bu sorunun çekirdek yöntemlerine özgü olmadığını unutmayın, çoğu makine öğrenme yönteminin benzer sorunları vardır. SVM'de kullanılan menteşe kaybı seyreklik ile sonuçlanır. Bununla birlikte, çoğu zaman en uygun çekirdek ve düzen parametresi seçimi, tüm verilerin destek vektörleri olduğu anlamına gelir. Gerçekten seyrek bir çekirdek makinesi istiyorsanız, Bilgilendirici Vektör Makinesi gibi baştan itibaren (yararlı bir yan ürün olmak yerine) seyrek olacak şekilde tasarlanmış bir şey kullanın. Destek vektörü regresyonu için kullanılan kayıp fonksiyonunun belirgin bir istatistiksel yorumu yoktur, genellikle problemin uzman bilgisi, örneğin Poisson veya Beta veya Gaussian gibi kayıp fonksiyonunda kodlanabilir. Aynı şekilde birçok sınıflandırma probleminde de sınıf üyeliği olasılığını istiyorsunuz,
Bu elim dışı düşünebileceğim her şeyle ilgili.