支持向量回归如何工作？

Question

我正在尝试了解SVR模型。
为此，我查看了 SVM，这对我来说很清楚。 但是关于SVR并没有太多的解释。 第一个问题是为什么它被称为支持向量回归或者我们如何使用vectors来预测数值？
另外我不明白一些参数，例如epsilon和gamma 。 它们如何影响预测结果？

Answer 1

SVM 从您的特征中学习所谓的决策函数，例如来自正类的特征产生正实数，来自负类的特征产生负数（至少大部分时间，取决于您的数据）。

对于两个特征，您可以在 2D 平面中对其进行可视化。 该函数为平面中的每个点分配一个实际值，该值可以用颜色表示。 此图将值显示为不同的蓝色。

导致零的特征值形成所谓的决策边界。

这个函数本身有两种参数：

• 内核相关参数。 在您的径向基函数的情况下，这些参数是epsilon和gamma ，您在学习之前设置。
• 以及在学习过程中确定的所谓支持向量。 支持向量只是决策函数的参数。

学习只不过是确定好的支持向量（参数！）。

在这个二维示例视频中，颜色不显示实际的函数值，而只显示符号。 您可以看到gamma如何影响决策函数的平滑度。

回答你的问题：

SVR 构建了这样一个函数，但目标不同。 该函数不会尝试将正面结果分配给您的正面示例，将负面结果分配给负面示例。

相反，该函数旨在逼近给定的数字结果。