SVM与支持向量回归(SVR)模型的关系是什么?

我想请教一下关于SVM和SVR的关系问题。我对SVM和SVR这两个模型都有一定的了解,但是不太清楚它们之间的联系。我知道SVM是一种在分类问题中广泛使用的机器学习模型,而SVR则主要用于回归问题。但是,它们是不是有相同的原理和算法,只是应用场景不同呢?或者它们有根本的区别?希望有了解的大佬可以解答一下。

提问时间:2023-10-03 18:39:29 编辑时间:2023-10-03 18:39:31 提问者: 雨夜迷情
  • Silent_Runner
    10

    SVM和SVR是基于同一原理和算法的,只是应用场景不同。SVM用于分类问题,SVR用于回归问题,但是它们都是基于最大边界间隔原理,利用核函数对高维空间进行非线性映射,将样本空间映射到一个更高维的特征空间,然后在特征空间内寻找最优分割超平面或回归超平面。因此,SVM和SVR有很多相似之处,包括对异常值敏感、对样本不平衡问题不友好等。但也有一些不同之处,例如SVM的目标函数是最大化边界间隔,而SVR的目标函数是最小化损失函数,同时SVM分类器的输出是对样本标签的二分类,而SVR的输出是对样本输出值的估计。

    回答时间:2023-10-03 18:39:34