\section{Analyse critique}

\subsection{Avantages}

\begin{itmz}
\item{le modèle \gls{svm} est considéré comme plutôt stable, car\\
de petits changements dans les données impactent peu les \glspl{hpp}}
\item{ce même modèle peut être utilisé à la fois pour\\
résoudre des problèmes de régression ou de classification}
\item{très efficace avec une marge de séparation nette}
\item{fonctionne avec un grand nombres d’espaces dimensionnels}
\item{reste pertinent même avec plus de dimensions que d’éléments}
\item{capacité de régularisation pour rester générique,\\
afin d’éviter les risques de surentraînement}
\item{économise la mémoire nécessaire aux fonctions de décision,\\
en ne leur faisant traiter que des \glspl{sv}}
\item{permet de gérer efficacement des données non linéaires,\\
par l’intermédiaire de différentes fonctions noyau}
\item{une variété de fonctions noyau existe pour les fonctions de décision}
\item{il est possible de combiner plusieurs fonctions noyau,\\
pour pouvoir travailler avec des \glspl{hpp} plus complexes}
\end{itmz}

\subsection{Inconvénients}

\begin{itmz}
\item{le choix d’une fonction noyau appropriée n’est pas facile,\\
et peut facilement mener à un trop grand nombre de \glspl{sv}}
\item{la mémoire nécessaire augmente avec le nombre de \glspl{sv},\\
car ces derniers doivent y être intégralement stockés}
\item{le temps d’entraînement augmente avec le nombre d’éléments}
\item{les calculs de probabilité de justesse sont très coûteux}
\item{les modèles sont difficilement interprétables par des humains,\\
contrairement par exemple aux arbres de décisions}
\item{effet boîte noire si compréhension insuffisante des outils mathématiques}
\end{itmz}

\subsection{Limitations}

\begin{itmz}
\item{fonctionne mal quand des classes se recouvrent}
\item{une normalisation préalable des données est nécessaire,\\
pour que les fonctions objectifs restent pertinentes}
\end{itmz}

\pagebreak