SVR

kernel 将原始数据空间映射到 高维度空间

对照LR：
svr的优化目标是l2 regularization+ c*epsilon-sensitive error. 前者正则化是为了控制模型复杂度不必多说，后者epsilon-sensitive error是理解svr的关键，但其实对照linear regression的损失函数也很容易，就如下图所示

左边是svr 的loss function，右图是lr的（图片来自coursera 林轩田机器学习技法）左图中，epsilon描述的是紫色区域的宽度，定义这个区域内的点损失为0，这个区域以外的点的损失是点到区域边界的距离，这些区域外的点（或者有可能边界上的点）就是svr 的support vector。所以大致上来说，svr就是要找一条线，忽略它周围的点，对剩余的点进行回归。