SVM – 回归

　　SVM的算法是很versatile的，在回归领域SVM同样十分出色的。而且和SVC类似，SVR的原理也是基于支持向量（来绘制辅助线），只不过在分类领域，支持向量是最靠近超平面的点，在回归领域，支持向量是那些距离拟合曲线（回归的目标函数/模型是拟合曲线）。

　　上图我们看到还有一个变量，是ϵ，ϵ决定了街道的宽度，它是拟合曲线和支持向量的距离。在svr的实现原理上，定义的损失函数是：

　　|yi−w∙ϕ(xi)−b|≤ϵ，则损失为0，因为落在了街道里面；

　　|yi−w∙ϕ(xi)−b|>ϵ，则损失函数值为|yi−w∙ϕ(xi)−b| - ϵ（即outlier到支持线的距离）

　　所以从损失函数的定义来看，其实还hinge loss要么是0，要么是距离值，只不过class的距离是到y值为1的点，而regression则是到y值为ϵ的点。

　　svr也是支持松弛变量，其原理和svm是一样的，只不过svc的符合松弛变量的点是在街道里面，到了svr，松弛变量对应的点是在街道的外面，通过松弛变量的指定来增加泛华。