ในทางปฏิบัติเหตุผลที่ SVM มักจะทนต่อการปรับตัวที่มากเกินไปแม้ในกรณีที่จำนวนคุณลักษณะมากกว่าจำนวนการสังเกตก็คือมันใช้การทำให้เป็นมาตรฐาน กุญแจสำคัญในการหลีกเลี่ยงการปรับให้แน่นเกินไปนั้นอยู่ที่การปรับจูนค่าพารามิเตอร์ normalization, และในกรณีของ SVM ที่ไม่ใช่แบบเส้นตรงตัวเลือกอย่างระมัดระวังของเคอร์เนลและการปรับแต่งพารามิเตอร์ของเคอร์เนลC
SVM เป็นการใช้งานโดยประมาณของข้อผิดพลาดในการวางนัยทั่วไปซึ่งขึ้นอยู่กับระยะขอบ (โดยพื้นฐานคือระยะทางจากขอบเขตการตัดสินใจไปยังรูปแบบที่ใกล้ที่สุดจากแต่ละชั้น) แต่เป็นอิสระจากมิติของพื้นที่คุณลักษณะ (ซึ่งเป็นสาเหตุ การใช้เคล็ดลับเคอร์เนลเพื่อแมปข้อมูลลงในพื้นที่มิติที่สูงมากไม่ใช่ความคิดที่แย่อย่างที่คิด ดังนั้นในหลักการ SVM ควรมีความทนทานต่อการปรับตัวสูงเกินไป แต่ในทางปฏิบัติสิ่งนี้ขึ้นอยู่กับการเลือกอย่างระมัดระวังของและพารามิเตอร์เคอร์เนล น่าเศร้าที่การปรับขนาดที่เหมาะสมสามารถเกิดขึ้นได้ง่ายเช่นกันเมื่อปรับค่าพารามิเตอร์ไฮเปอร์เช่นกันซึ่งเป็นพื้นที่การวิจัยหลักของฉันC
GC Cawley และ NLC Talbot ป้องกันการปรับตัวเกินแบบในการเลือกรูปแบบผ่านการกำหนดค่าพารามิเตอร์ไฮเปอร์อย่างสม่ำเสมอ, วารสารการวิจัยการเรียนรู้ของเครื่องจักร, เล่ม 8, หน้า 841-861, เมษายน 2550 ( www )
และ
GC Cawley และ NLC Talbot, การเลือกรุ่นที่มากเกินไปและความลำเอียงในการเลือกการประเมินผลการปฏิบัติงาน, วารสารการวิจัยการเรียนรู้ของเครื่องจักร, การวิจัย 2010, บทที่ 11, pp. 2079-2107, กรกฎาคม 2010 ( www )
เอกสารทั้งสองนี้ใช้การถดถอยของเคอร์เนลมากกว่า SVM แต่ปัญหาเดียวกันนั้นเกิดขึ้นอย่างง่ายดายด้วย SVM (ขอบเขตที่คล้ายกันนี้นำไปใช้กับ KRR ดังนั้นจึงไม่มีทางเลือกมากนักในการฝึกปฏิบัติ) ดังนั้นในทางที่ SVM ไม่ได้แก้ปัญหาของการกระชับเกินจริงพวกเขาเพียงแค่เปลี่ยนปัญหาจากการปรับให้เข้ากับการเลือกแบบจำลอง
บ่อยครั้งที่การล่อลวงเพื่อทำให้ SVM เป็นชีวิตที่ง่ายขึ้นเล็กน้อยด้วยการเลือกคุณลักษณะบางอย่างก่อน โดยทั่วไปสิ่งนี้ทำให้เรื่องแย่ลงซึ่งแตกต่างจาก SVM อัลกอริทึมการเลือกคุณลักษณะมีแนวโน้มที่จะแสดงมากกว่าที่เหมาะสมเมื่อจำนวนของคุณลักษณะเพิ่มขึ้น หากคุณไม่ต้องการทราบว่าคุณลักษณะใดเป็นข้อมูลจะดีกว่าการข้ามขั้นตอนการเลือกคุณลักษณะและใช้การทำให้เป็นปกติเพื่อหลีกเลี่ยงการปรับข้อมูลให้แน่นเกินไป
ในระยะสั้นไม่มีปัญหาที่เกิดจากการใช้ SVM (หรือรุ่น regularized อื่น ๆ เช่นการถดถอยสัน LARS, เชือก, ยืดหยุ่นสุทธิ ฯลฯ ) ในการแก้ปัญหาที่มี 120 ข้อสังเกตและหลายพันของคุณลักษณะที่มีให้พารามิเตอร์กูจะถูกปรับอย่างถูกต้อง