svr的理解

昨天突然想到svm与svr的区别是啥呢？

一时突然答不上来，只想到支持向量，最大间隔，然后就很疑惑那条最大分类间隔线怎么起作用呢，怎么回归？

分析：回归的本质：就是分析特征变量与目标变量之间的关系的过程；比如说线性回归，就是在图形上画出一条线来尽可能拟合所有样本点；非线性回归，可以不用直线来尽可能拟合所有样本点，如果算法结构够强大，可以拟合到每一个点；说白了，回归就是让曲线穿越每一个点；

最简单的线性回归模型是要找出一条直线使得残差最小，最好的就是残差为0，完美拟合；对于高维的就是超平面，使得所有数据到这个超平面的距离最小，其实就是残差最小；一样的概念；

个人认为：svr也是回归问题，它的本质属性不再是原有的支持向量（最大间隔的方法）了，而是属于svm的独有损失函数，会用一个区域（虚线与实线合成的）来拟合，很粗的线条，再加上一些核函数；但最终结果是一个曲线函数，如下图中的实体线；