Метод опорных векторов также можно использовать как метод регрессии, сохраняя все основные признаки, характеризующие алгоритм (максимальный запас). Регрессия опорных векторов (SVR) использует для классификации те же принципы, что и SVM, с небольшими отличиями. Прежде всего, поскольку выход представляет собой действительное число, становится очень трудно предсказать имеющуюся информацию, которая имеет бесконечные возможности. В случае регрессии предел допуска (эпсилон) устанавливается в приближении к SVM, который уже был запрошен из задачи. Но кроме этого факта есть и более сложная причина, алгоритм более сложный, поэтому нужно учитывать. Однако основная идея всегда одна и та же: минимизировать ошибку, индивидуализировать гиперплоскость, которая максимизирует запас, помня о том, что часть ошибки допустима.
Линейный SVR
Нелинейный SVR: функции ядра преобразуют данные в многомерное пространство признаков, чтобы сделать возможным выполнение линейного разделения.
Функции ядра
