阐述SVM和CNN缺点

### 支持向量机 (SVM) 的缺点及局限性

支持向量机是一种强大的监督学习模型，尤其适用于高维空间中的分类问题。然而，SVM也存在一些显著的不足之处：

- **计算复杂度较高**：当样本数量较大时，训练时间会显著增加。这是因为SVM需要求解一个二次规划问题，其时间和内存消耗随着样本数的增长而急剧上升[^1]。

- **核函数的选择困难**：虽然引入了多种内核来处理不同类型的输入数据分布情况，但对于某些特定应用场景下如何挑选最合适的核函数仍是一个挑战；而且错误选择可能导致性能下降甚至过拟合现象的发生[^3]。

- **对噪声敏感**：如果训练集中含有较多异常点，则会影响最终构建的支持超平面位置以及边界宽度参数C的选择，从而降低泛化能力并影响测试阶段的表现效果[^2]。

from sklearn import svm
import numpy as np

# 假设有一个带有噪音的数据集 X, y
X = np.array([[0], [1], [2], [3]])
y = np.array([0, 1, 1, 0])

clf = svm.SVC(kernel='linear', C=1).fit(X, y)

print(clf.predict([[0.5]]))

### 卷积神经网络 (CNN) 的缺点及局限性

尽管卷积神经网络在图像识别等领域表现出色，但也并非完美无缺：

- **结构设计难度大**：为了获得最佳表现，通常需要精心调整架构（层数、每层节点数目等），这不仅增加了开发成本还可能因为缺乏经验而导致次优配置[^4]。

- **容易发生过拟合**：特别是在小型或中型规模的数据集上训练深层CNN时更容易出现问题。即使采用正则化技术如Dropout也无法完全避免这种情况的发生。

- **解释性差**：由于内部机制较为复杂，很难直观理解各个隐藏单元具体学到了什么特征表示形式，这对于追求可解释性的领域构成了障碍。

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential([
    Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)),
    MaxPooling2D(pool_size=(2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])