svm区别

支持向量机(SVM)是一种二分类器，只支持两种类别的分类，不过在一些场合下可以将多个SVM串联起来，达到多分类的目的，其基本模型定义为特征空间上间隔最大的线性分类器，学习策略就是使间隔最大化，最终可转化为一个凸二次规划问题的求解，就是寻找一个分界超平面(如果数据是二维的，则是线；如果数据是三位的，则是平面；如果是三维以上，则是超平面),对于超平面的公式，传统的方式是使用最小二乘错误法，利用平方和值趋于最小寻找最优超平面，SVM算法的思路与传统的最小二乘法的思路不同，它所定义的分界面有两个特点：靠前，它夹在两类样本点之间；第二，两类样本点中所有“离它最近的点”都尽可能地远。

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得“最开”，而是使所有的样本点离着超平面的总偏差最小。