支持向量回归预测怎么做_初探支持向量机模型

写在前面：

目前许多专业在做分类问题时都选择线性回归模型进行研究，比如技术经济与管理专业、工商管理专业、会计等。

这些专业的硕士论文中所表现出了的数据条数基本保持在200~300条左右，数据量并不高，相比较于线性回归模型而言，SVM模型在小样本的分类预测上精度更明显（但是SVM的缺点是运行速度慢），所以本文对支持向量机模型进行介绍。

什么是支持向量机SVM？

支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。

SVM与SVR的区别

很多人也有听过SVR（Support Vector Regression）模型即支持向量机回归，那么二者的区别是什么？

区别就是：一个是分类，一个是回归啊！没错，就是这么浅显的区别。

分类和回归的区别是什么？

很多童鞋对这方面应该很清楚，分类模型输出类别，回归输出数值。