支持向量机（SVM）在数据处理中的优势和缺点有哪些？以下哪些选项正确？A. 支持向量机可以通过选择合适的核函数来提高模型的泛化能力。B. 支持向量机能够有效处理高维数据，适合特征维度大于样本数量的情况。C. 支持向量机对噪声数据非常敏感，容易受到异常值的影响。D. 支持向量机的计算复杂性较低，因此适合大规模数据集的处理。E. 支持向量机在处理非线性问题时，需要使用核函数进行转换，增加了模型的复杂性。

本题主要考察支持支持向量机（SVM）的优势和缺点，需对各选项内容结合SVM特性逐一分析：

选项A

SVM的核心优势之一是核函数的灵活性。通过选择合适的核函数（如线性、多项式、RBF等），SVM可以将线性不可分的数据映射到高维空间使其线性可分，从而有效提升模型的泛化能力。选项A正确。

选项B

SVM在处理高维数据时确实有一定优势，但其适用场景是“特征维度与样本数量相当”或“特征维度大于样本数量”吗？实际上，当特征维度远大于样本数量时，SVM可能出现过拟合（因为高维空间中样本稀疏），且核函数计算复杂度会显著上升。选项B错误。

选项C

SVM的目标是最大化分类间隔，这使得其对支持向量（即靠近决策边界的样本）非常敏感。噪声数据或异常值容易被误判为支持向量，从而拉决策边界，导致模型性能下降。选项C正确。

选项D

SVM的计算复杂度取决于支持向量的数量和核函数类型。对于大规模数据集（如百万级样本），SVM的训练时间（尤其是求解二次规划问题）计算量极大，难以高效处理。选项D错误。

选项E

处理非线性问题时，SVM需通过核函数将数据映射到高维空间，这虽然解决了非线性可分问题，但核函数的引入增加了模型的参数（如RBF核的带宽、多项式核的次数），同时高维映射也导致计算复杂度（如核矩阵存储）上升，增加了模型的复杂性。选项E正确。