SVM 可用于分类（区分多个组或类别）和回归（获得数学模型来预测某事）。它们可以应用于线性和非线性问题。

直到 2006 年，它们都是机器学习的最佳通用算法。我试图找到一篇比较最知名算法的许多实现的论文：支持向量机、神经网络、树等。我找不到它很抱歉（你必须相信我，坏事）。在论文中，获得最佳性能的算法是 svm，带有库 libsvm。

2006 年，Hinton 提出了深度学习和神经网络。他将当前的技术水平提高了至少 30%，这是一个巨大的进步。然而，深度学习只能在巨大的训练集上获得良好的性能。如果你有一个小的训练集，我建议使用 svm。

此外，您可以在此处找到有关何时使用scikit-learn 的不同机器学习算法的有用信息图。但是，据我所知，科学界对于问题是否具有 X、Y 和 Z 特征没有达成一致意见，那么最好使用 svm。我建议尝试不同的方法。另外，请不要忘记 svm 或神经网络只是一种计算模型的方法。您使用的功能也非常重要。

假设我们处于分类设置中。

因为svm特征工程是基石：

• 集合必须是线性可分的。否则需要转换数据（例如使用内核）。这不是由算法本身完成的，并且可能会破坏功能的数量。
• 我想说的是，svm当我们比其他方法（树集成）更快地增加维度数量时，性能会受到影响。这是由于支持svms 的约束优化问题。有时减少特征是可行的，有时则不是，这就是我们无法真正为有效使用svm
• svm可能会在特征数量远大于观察数量的数据集上遇到困难。同样，这可以通过查看约束优化问题来理解。
• svm分类变量不是由算法开箱即用地处理的。