SVM具有以下几个优势:
SVM可以用于处理高维度和非线性数据。它能够自适应地选择核函数将低维数据映射到高维空间,从而使数据在高维空间中变得更加可分。
对于较小的样本量,SVM能够处理多维空间分类问题,并且分类效果较好。对于单个高维样本,SVM可以通过使用一些核函数把其向高维空间映射到平面上,使其能够快速分类。
SVM具有良好的学习性能。对于数据量较少的情况下,SVM能够有效避免过拟合的问题,提高训练的公差缺口。
SVM能够很好的支持线性和非线性分类。同时,SVM可以有效的解决分类器训练中的优化问题。
因此,SVM在较小数据量,高维度和复杂数据分类问题中表现很好。适用场景包括文本分类、图像分类、电子邮件分类、生物领域分类问题等等。