epsilon-SVR与 nu-SVR

在支持向量回归（SVR）中，有两种常见的模型：epsilon-SVR和nu-SVR。

epsilon-SVR使用一个称为epsilon-insensitive loss的损失函数，该函数允许一定程度的误差并确定了一个边界。该模型的目标是最小化误差和模型复杂度之和，以便在给定的误差范围内找到最小的支持向量集合。

nu-SVR使用nu作为参数，该参数是一个介于0和1之间的值，可以控制支持向量的数量。与epsilon-SVR不同，nu-SVR使用的是一种非对称的损失函数，该函数类似于epsilon-insensitive loss，但考虑到了nu参数。nu-SVR的目标是最小化误差和模型复杂度之和，并在给定的nu值的情况下找到最小的支持向量集合。

因此，epsilon-SVR和nu-SVR都是支持向量回归模型，但它们使用不同的损失函数和参数来控制模型的复杂度和支持向量的数量。