As máquinas de vetores de suporte (SVM) são um conjunto de métodos de aprendizado usados para tratar problemas de classificação, regressão e detecção de outliers. Considerando as vantagens e desvantagens do uso do SVM no python 3.0 através da biblioteca scikit learn (versão 1.7.2), avalie se as afirmativas a seguir são verdadeiras (V) ou falsas (F).

( ) Como vantagem, as SVM são eficazes em espaços de alta dimensionalidade e eficaz nos casos em que o número de dimensões é maior que o número de amostras.
( ) Como desvantagem, as SVM utilizam um subconjunto de pontos de treinamento na função de decisão, sendo, portanto, sendo pouco eficiente em termos de uso de memória.
( ) Como desvantagem, se o número de características for muito maior que o número de amostras, evitar o sobreajuste na escolha das funções Kernel e do termo de regularização é crucial.
( ) Como vantagem, as SVMs fornecem estimativas de probabilidade diretamente; estas são calculadas usando uma validação cruzada de muitas partes que é um processo dispendioso.

As afirmativas são, respectivamente,