“SVR以核函数的原理展开，可以在高维特征空间中应用线性学习机的方法，所以与线性模型相对比几乎不增加计算的复杂性。”给我改改话

支持向量回归（Support Vector Regression，SVR）以核函数的原理展开，通过将数据映射到高维特征空间中，可以在高维空间中应用线性学习机的方法。这使得SVR与线性模型相比几乎不增加计算的复杂性。

SVR利用核技巧将低维特征空间中的数据映射到高维空间，使得原本非线性的数据在高维空间中变得线性可分。然后，SVR在高维特征空间中使用线性学习机的方法，例如线性核函数，来拟合数据。

由于在高维空间中进行线性学习，SVR的计算复杂性与线性模型相近，因此几乎不增加额外的计算负担。

希望这样的修改满足了你的要求。如果还有其他问题，请随时提问。