我想说，选择很大程度上取决于您拥有什么数据以及您的目的是什么。一些“经验法则”。

随机森林本质上适用于多类问题，而 SVM 本质上是两类问题。对于多类问题，您需要将其简化为多个二元分类问题。

随机森林适用于数字和分类特征的混合。当特征在不同的尺度上时，它也很好。粗略地说，使用随机森林，您可以按原样使用数据。SVM 最大化“边距”，因此依赖于不同点之间的“距离”概念。由您决定“距离”是否有意义。因此，必须对分类特征进行一次性编码。此外，强烈建议在预处理步骤中使用 min-max 或其他缩放。

如果你有数据 $n$ 点和 $m$ 特征，SVM 的中间步骤是构建一个 $n\times n$ 矩阵（考虑存储的内存需求）通过计算 $n^2$点积（计算复杂度）。因此，根据经验，SVM 很难扩展超过 10^5 个点。大量特征（具有有意义距离的同质特征，图像的像素就是一个完美的例子）通常不是问题。

对于分类问题，随机森林为您提供属于类别的概率。SVM 为您提供到边界的距离，如果您需要概率，您仍然需要以某种方式将其转换为概率。

对于应用 SVM 的那些问题，它通常比随机森林表现更好。

SVM 为您提供“支持向量”，即每个类中最靠近类之间边界的点。他们自己可能对解释感兴趣。

与一般树相比，SVM 模型在稀疏数据上的表现更好。例如，在文档分类中，您可能有数千个甚至数万个特征，而在任何给定的文档向量中，这些特征中只有一小部分的值可能大于零。它们之间可能还有其他差异，但这是我发现的问题。

这真的取决于你想要实现什么，你的数据是什么样的等等。SVM 通常在线性依赖上表现更好，否则你需要非线性内核，内核的选择可能会改变结果。此外，SVM 的可解释性较差——例如，如果你想解释为什么分类会如此——这将是不平凡的。决策树具有更好的可解释性，它们工作得更快，如果你有分类/数值变量，它很好，此外：非线性依赖关系处理得很好（给定 N 足够大）。他们通常比 SVM 训练得更快，但他们有过度拟合的倾向......

我也会尝试 Logistic Regression - 很好的可解释分类器）

总结一下 - 经验法则是尝试任何事情并比较什么给你最好的结果/解释。

为了补充已经说明的优点：

从我们需要数百个分类器来解决现实世界的分类问题吗？随机森林比 SVM 更有可能获得更好的性能。

此外，算法的实现方式（以及出于理论原因）随机森林通常比（非线性）SVM 快得多。事实上，就像@Ianenok 一样，SVM 往往无法使用超过 10 000 个数据点。

然而，众所周知，SVM 在某些特定数据集（图像、微阵列数据......）上表现更好。

所以，再一次，交叉验证确实是了解哪种方法性能最好的最好方法。

资料来源：随机森林与 SVM