谈谈SVM和SVR的区别

        支持向量机(SVM)本身是针对二分类问题提出的，而SVR（支持向量回归）是SVM（支持向量机）中的一个重要的应用分支。SVR回归与SVM分类的区别在于，SVR的样本点最终只有一类，它所寻求的最优超平面不是SVM那样使两类或多类样本点分的“最开”，而是使所有的样本点离着超平面的总偏差最小。

        SVM是要使到超平面最近的样本点的“距离”最大；

        SVR则是要使到超平面最远的样本点的“距离”最小。

参考链接：https://www.jianshu.com/p/399ddcac2178

 

好多以前的只是都忘了，顺便复习一下：

SVM松弛变量与惩罚函数

https://blog.csdn.net/minhuaqaq/article/details/93344271

更多的SVM和SVR详情可参考这篇文章，写的很全：

https://www.cnblogs.com/wuxiangli/p/6831229.html（SVM柔性边界的补充和SVR(支持向量回归)）

sklearn练习代码：

https://github.com/youngxiao/SVM-demo