支持向量机器（SVM）精度好，数学概念明了。一个缺点是很难用于大数据，因为：1）计算中核矩阵（kernel matrix）是n x n，n是数据点的量。如果10万个数据点，核矩阵就是100000 x 100000 x 4 = 40GB。如果内存不能放下核矩阵，核矩阵的一部分就要交换到硬盘里（swapping），SVM训练起来就很慢了。2）SVM训练的计算复杂性是O(n²)大规模数据训练起来很慢。我曾经在一个64GB内存八核机器上算过15万点的SVM，training都要花上一天以上。

如今EnsembleSVM可以解决一部分问题。EnsembleSVM的关键是训练p个SVMs，每一个只用n/p的数据点。这样对内存要求不那么高，计算复杂性也变成O（n²/p).

文章【1】表明，EnsembleSVM的训练时间只有普通SVM的1/20 或 1/30，而精度没有改变。

EnsembleSVM也提供了改进SVM精度的途径，比如，1）增加p，2）增加每个SVM的数据点，而不是只局限于n/p；3）研究这p个SVMs的合成方法。

EnsembleSVM如今只能用于分类（classification），还不能用于regression。并且目前只有C++的接口。

【1】Claesen, M., Smet, F. De, Suykens, J. a. K., & Moor, B. De. (2014). EnsembleSVM: A Library for Ensemble Learning Using Support Vector Machines. Journal of Machine Learning Research, 15, 141–145. Retrieved from http://jmlr.org/papers/v15/claesen14a.html