LSSVM相较于SVM做出了哪些修改

LSSVM（Least Squares Support Vector Machine）相较于传统的SVM（Support Vector Machine）做出了以下几个修改：

1. 目标函数：LSSVM使用了最小二乘损失函数，而不是传统SVM中的hinge loss函数。这意味着LSSVM试图最小化预测值与真实值之间的平方误差，而不是简单地关注分类的正确与否。

2. 约束条件：传统SVM使用硬间隔或软间隔来约束样本点与超平面之间的距离，而LSSVM放宽了这个约束条件，允许一些样本点落在超平面的错误一侧。

3. 核函数：LSSVM同样可以使用核函数进行非线性映射，将低维输入空间映射到高维特征空间。常用的核函数包括线性核、多项式核和高斯核等。

4. 计算方法：LSSVM的求解方法与传统SVM有所不同。传统SVM是一个凸优化问题，可以通过二次规划等方法求解；而LSSVM可以通过求解一个线性方程组来得到最优解，计算效率更高。

总的来说，LSSVM相对于SVM在数学形式上做了一些修改，更加注重回归问题，并且在计算效率上有所提升。