Come è noto a tutti, SVM può usare il metodo kernel per proiettare punti dati in spazi più alti in modo che i punti possano essere separati da uno spazio lineare. Ma possiamo anche usare la regressione logistica per scegliere questo limite nello spazio del kernel, quindi quali sono i vantaggi di SVM? Poiché SVM utilizza un modello sparso in cui solo quei vettori di supporto forniscono contributi durante la previsione, ciò rende SVM più veloce nella previsione?