Machine learning SVR与其他简单回归模型的差异

有人能帮我理解一下支持向量回归技术和其他简单回归模型的主要区别吗。

---

感谢

支持向量回归找到了一个线性函数，表示误差范围（ε）内的数据。也就是说，大多数点都可以在该页边距内找到，如下图所示（从中）：

---

这意味着SVR比大多数其他回归方法对异常值更具鲁棒性，因为它不太关心边际之外的数据

支持向量回归找到了一个表示误差边际（ε）内数据的线性函数。也就是说，大多数点都可以在该页边距内找到，如下图所示（从中）：

---

这意味着SVR比大多数其他回归方法对异常值更具鲁棒性，因为它不太关心边际之外的数据

问题与

计算机视觉无关

-请不要垃圾标签（删除）。问题与

计算机视觉无关

-请不要垃圾标签（删除）.事实并非如此。在SVR中，ε内的点不会产生错误，ε外的点会产生错误。这样做的目的是最大限度地减少损失，因此该方法将尝试找到在ε内保持尽可能多点的直线。但离群值仍然会产生影响。事实并非如此。在SVR中，ε内的点不会产生错误，ε外的点会产生错误。这样做的目的是最大限度地减少损失，因此该方法将尝试找到在ε内保持尽可能多点的直线。但离群值仍然会影响。