支持向量回归VS支持向量机

支持向量回归（Support Vector Regression, SVR）和支持向量机（Support Vector Machine, SVM）是两种基于支持向量的机器学习算法，用于回归和分类问题。
支持向量回归（SVR）是一种回归算法，它使用支持向量机的原理来进行回归预测。与传统的回归方法不同，SVR通过在训练过程中选择最能代表整个数据集的样本作为支持向量，并建立一个最优的超平面来拟合数据。SVR的目标是使预测值与真实值之间的误差最小化，并保持较好的泛化能力。
支持向量机（SVM）是一种分类算法，它也使用支持向量的概念。SVM通过在特征空间中构建一个最优的超平面来进行分类。超平面的选择是通过最大化支持向量与超平面的距离来实现的，这样可以使分类边界更加鲁棒和泛化能力更强。
总结来说，支持向量回归和支持向量机都是基于支持向量的机器学习算法，用于解决回归和分类问题。支持向量回归主要用于回归预测，而支持向量机主要用于分类问题。