回答思路
| 优点 | 缺点 |
| 解决小样本下机器学习问题（不像深度学习一样，依赖海量数据） | 常规SVM只支持二分类 |
| 可以解决高维问题，即大型特征空间（借助核函数） | |
| 泛化能力比较强 | |
| 无需依赖整个数据 | 对缺失数据敏感 |
| 无局部极小值问题 | |
| 能够处理非线性特征的相互作用 | 对非线性问题没有通用解决方案，有时候很难找到一个合格的核函数 |
| SVM的最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数据， 而不是样本空间的维数，在这某种意义上避免了“维数灾难” | 当样本很多时，效率并不是很高（借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算 （m为样本的个数），当m数目喊打时该矩阵的存储和计算将耗费大量的机器内存和运算时间） |
| 理论基础扎实，分类问题可以从原理上解释（相比于“玄学调参”的深度学习） | 对于核函数的高维映射可解释性不强，youqishi |