谈谈SVM和SVR的区别

最新推荐文章于 2025-03-31 15:00:00 发布
最新推荐文章于 2025-03-31 15:00:00 发布
阅读量2.5w 收藏 107
点赞数 20
分类专栏： 机器学习 算法 文章标签： SVM SVR 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_19446965/article/details/104163222
版权

        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

 

白话机器学习算法理论+实战之支持向量机（SVM）
Miracle8070
02-12 5348
1. 写在前面 如果想从事数据挖掘和数据分析的工作，掌握常用的机器学习算法是非常有必要的，比如我之前写过的一篇十大机器学习算法的小总结，在这简单的先捋一捋， 常见的机器学习算法： 监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等 无监督算法：聚类，降维，关联规则, PageRank等 为了详细的理解这些，曾经看过西瓜书，统计学习方法，机器学习...
理解SVM的三层境界
shuimanting520的博客
05-03 4068
前言     动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清楚，尽管网上已经有朋友写得不错了(见文末参考链接)，但在描述数学公式的时候还是显得不够。得益于同学白石的数学证明，我还是想尝试写一下，希望本文在兼顾通俗易懂的基础上，真真正正能足以成为一
机器学习二十二：支持向量机回归SVR
AI玩转智能
11-16 5473
AI菌在前四篇里面我们讲到了SVM的线性分类和非线性分类（核函数），以及在分类时用到的SMO算法。这些都关注于SVM的分类问题。实际上SVM也可以用于回归模型，本篇就对如何将SVM用于回归模型做一个总结。回归和分类从某种意义上讲，本质上是一回事。SVM分类，就是找到一个平面，让两个分类集合的支持向量或者所有的数据离分类平面最远；SVR回归，就是找到一个回归平面，让一个集合的所有数据到该平面的距离最
SVM、SVR原理简单介绍
nbatop5的博客
04-11 5894
简单介绍下svr、svm的原理。
常见的机器学习算法介绍——决策树、SVM、KNN、线性回归等
最新发布
03-31 766
机器学习（Machine Learning）是一种让计算机从数据中学习模式并进行预测的技术。在实际应用中，不同的任务（如分类、回归）需要不同的算法来完成。本文将介绍几种**常见的机器学习算法**，包括**决策树（Decision Tree）、支持向量机（SVM）、K 近邻（KNN）、线性回归（Linear Regression）**等，帮助你理解它们的原理及适用场景。
支持向量机SVM和支持向量回归SVR算法合集(亲测可用)
03-29
适合初学者学习的SVM、SVR工具箱 该工具箱包括了二种分类,二种回归,以及一种一类支持向量机算法 (1) Main_SVC_C.m --- C_SVC二类分类算法 (2) Main_SVC_Nu.m --- Nu_SVC二类分类算法 (3) Main_SVM_One_Class.m --- One-Class支持向量机 (4) Main_SVR_Epsilon.m --- Epsilon_SVR回归算法 (5) Main_SVR_Nu.m --- Nu_SVR回归算法 另附： (1) 目录下以Main_开头的文件即是主程序文件,直接按快捷键F5运行即可 (2) 工具箱中所有程序均在Matlab6.5环境中调试通过，不能保证在Matlab其它版本正确运行
支持向量机（SVM）、支持向量回归（SVR）
liulina603的专栏
01-30 5万+
1、支持向量机（ SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则 为了最小化期望风险，应同时最小化经验风险和置信范围） 支持向量机方法的基本思想： （ 1 ）它是专门针对有限样本情况的学习机器，实现的是结构风险最小化：在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷，以期获得最好的推广能力； （ 2 ）它最终解决的是一个凸二次规划问题，
支持向量机（SVM） VS 支持向量回归机(SVR)
welcome_yu的博客
01-06 1万+
线性支持向量回归1.SVM分类器2.支持向量回归于支持向量机的不同之处3. SVM 算法小结 1.SVM分类器 SVM 擅长解决复杂的中小规模的非线性问题，甚至在特征多余训练样本时也能有非常好的表现。 但是随着样本量的增加，SVM模型的计算复杂度会呈m^2 或m^3增加。 SVM 算法涉及到非常多的概念：间隔、支持向量、核函数、对偶、凸优化等。 在两类样本线性可分的情况下，感知机可以保证找到一个解，完全正确的区分这两类样本。但是解不唯一，（如图2）而且这些决策边界的质量也不相同，直观上来看这条线两边的间隔
SVR和SVM是什么关系
行子的博客
11-20 1598
SVR（Support Vector Regression）和 SVM（Support Vector Machines）是支持向量机（Support Vector Machine）的两个不同方面，分别用于。允许在高维空间中进行非线性映射，从而使得在原始空间中线性不可分的问题也能在更高维度的空间中找到超平面。是训练数据中离超平面最近的点，它们对于模型的性能起着关键的作用。SVR是SVM的回归版本，用于处理回归问题。总的来说，SVM和SVR是同一种基本算法的两个变体，分别应用于。在数学上，SVM 和 SVR。
SVM和SVR
tongle.wang Homepage
10-31 1164
1、支持向量机（ SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则 为了最小化期望风险，应同时最小化经验风险和置信范围） 支持向量机方法的基本思想： （ 1 ）它是专门针对有限样本情况的学习机器，实现的是结构风险最小化：在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷，以期获得最好的推广能力； （ 2 ）它最终解决的是一个凸二次规
SVR_text.zip_SVR_minimize expected_svm text_经验风险
09-20
另一方面，"SVR_text.m"可能是一个MATLAB代码文件，用于实现或演示SVM的训练和预测过程，特别是针对文本数据。MATLAB提供了诸如"fitcsvm"和"predict"等函数，方便用户进行SVM建模。此代码可能包含了数据预处理、特征...
【opencv机器学习】SVM 初探
开源节流
04-10 1387
支持向量机(SVM)介绍 支持向量机对线性不可分数据的处理 支持向量机的参数含义及设置 Opencv中的SVM参数优化
SVR（SVM）（）（）
07-24
对于分类问题，支持向量机的基本思想是将线性不可分样 本经非线性变换币映射到另一个高维空间E中，在变换后的 空J’日J中寻找一个最优的分界面(超平面)，使其推广能力最好。 以两类分类问题为例说明支持向量机的基本原理。
支持向量机通俗导论（理解SVM的三层境界）
weixin_30535843的博客
01-22 1484
支持向量机通俗导论（理解SVM的三层境界） 作者：July 。致谢：pluskid、白石、JerryLead。说明：本文最初写于2012年6月，而后不断反反复复修改&优化，修改次数达上百次，最后修改于2016年1月。 前言 动笔写这个支持向量机(support vector machine)是费了不少劲和困难...
svm和svr区别--摘自其它博客
weixin_30901729的博客
05-09 1533
学习笔记：SVM柔性边界的补充和SVR(支持向量回归) 作者小刺猬yyx关注 2016.08.06 10:31*字数 1608阅读 421评论 0喜欢 2 上一个笔记对于SVM不能完美分类的情况，之前并没有搞得很透彻。在学习SVR的时候，我又重新思考了一下关于SVM对于不能完美分类的情况，搞清楚SVM不可完美分类的情况之后，也就更容易理解SVR的美妙了。 SVM柔...
Support Vector Machine Algorithm(SVM)算法详细解析
keith0812的专栏
06-19 2661
作者：keith 本文参考了 JULY 的三层SVM讲解网址http://blog.csdn.net/v_july_v/article/details/7624837#comments 还有jerrylead的smo算法实现网址http://www.cnblogs.com/jerrylead/archive/2011/03/18/1988419.html leo zhang的svm学习网址
（系列笔记）14.SVM和SVR
还没学明白
03-13 3458
直观认识SVM和SVR 1、SVM实例 整理一下，前面讲了线性可分 SVM、线性 SVM、非线性 SVM 和核函数，这次笔记就通过一些例子来直观理解一下，特征采用的是一维特征。 线性可分SVM import numpy as np import matplotlib.pyplot as plt from sklearn.svm import SVC # "Support v...
支持向量机SVM、支持向量回归SVR详细推导
热门推荐
ch18328071580的博客
06-30 7万+
文章详细介绍了支持向量机SVM及其拓展，支持向量回归SVR.并从线性分类和非线性分类的角度出发，详细推导了硬间隔、软间隔和核函数的支持向量机。
SVM和SVR有什么区别
06-23
SVM (Support Vector Machine) 和 SVR (Support Vector Regression) 都是基于核方法的机器学习算法，但它们的应用场景和目标略有不同。 **SVM（支持向量机）：** - SVM 主要用于分类任务，它的目标是找到一个最优的决策边界（超平面），将不同类别的数据点分开，同时最大化边界两侧的数据点到该边界的距离（即间隔或 margin）。 - SVM 可以处理线性和非线性的数据，通过核函数映射将低维数据转换到高维空间，使数据线性可分。 - 它的优点包括泛化能力强、鲁棒性好以及对异常值不敏感。 **SVR（支持向量回归）：** - SVR 则是 SVM 在回归问题上的应用，主要用于预测连续数值，而不是离散的类别标签。 - 相比于传统的线性回归，SVR 试图找到一个最小化误差的决策边界，同样关注最大间隔，但它衡量的是预测值和真实值之间的误差（如均方误差）。 - SVR 可以选择不同的内核函数，使得模型能够拟合非线性关系。 **区别总结：** 1. **任务类型不同**：SVM 是用于分类，而 SVR 是用于回归。 2. **性能度量**：SVM 关注的是分类边界，SVR 关注的是预测误差。 3. **输出**：SVM 输出的是类别标签，SVR 输出的是连续数值预测。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值