SVM分类，就是找到一个平面，让两个分类集合的支持向量或者所有的数据（LSSVM）离分类平面最远；
SVR回归，就是找到一个回归平面，让一个集合的所有数据到该平面的距离最近。
SVR是支持向量回归(support vector regression)的英文缩写，是支持向量机(SVM)的重要的应用分支。
传统回归方法当且仅当回归f(x)完全等于y时才认为预测正确，如线性回归中常用(f(x)−y)2来计算其损失。
而支持向量回归则认为只要f(x)与y偏离程度不要太大，既可以认为预测正确，不用计算损失，具体的，就是设置阈值α,只计算|f(x)−y|>α的数据点的loss，如下图所示，阴影部分的数据点我们都认为该模型预测准确了，只计算阴影外的数据点的loss：
数据处理
preprocessing.scale()作用： scale()是用来对原始样本进行缩放的，范围可以自己定，一般是[0,1]或[-1,1]。 缩放的目的主要是 1）防止某个特征过大或过小，从而在训练中起的作用不平衡； 2）为了计算速度。因为在核计算中，会用到内积运算或exp运算，不平衡的数据可能造成计算困难。对于SVM算法，我们首先导入sklearn.svm中的SVR模块。SVR()就是SVM算法来做回归用的方法（即输入标签是连续值的时候要用的方法），通过以下语句来确定SVR的模式（选取比较重要的几个参数进行测试。随机选取一只股票开始相关参数选择的测试）。 svr = SVR(kernel=’rbf’, C=1e3, gamma=0.01)
kernel:核函数的类型，一般常用的有’rbf’，’linear’，’poly’，等如图4-1-2-1所示，发现使用rbf参数时函数模型的拟合效果最好。
C:惩罚因子
C表征你有多么重视离群点，C越大越重视，越不想丢掉它们。C值大时对误差分类的惩罚增大，C值小时对误差分类的惩罚减小。当C越大，趋近无穷的时候，表示不允许分类误差的存在，margin越小，容易过拟合；当C趋于0时，表示我们不再关注分类是否正确，只要求margin越大，容易欠拟合。如图所示发现当使用1e3时最为适宜。
gamma:
是’rbf’，’poly’和’sigmoid’的核系数且gamma的值必须大于0。随着gamma的增大，存在对于测试集分类效果差而对训练分类效果好的情况，并且容易泛化误差出现过拟合。如图发现gamma=0.01时准确度最高。
我们这次用的数据是公司内部不同的promotion level所对应的薪资
下面我们来看一下在Python中是如何实现的
import numpy as npimport matplotlib.pyplot as pltimport pandas as pddataset = pd.read_csv('Position_Salaries.csv')X = dataset.iloc[:, 1:2].values# 这里注意：1:2其实只有第一列，与1 的区别是这表示的是一个matrix矩阵，而非单一向量。y = dataset.iloc[:, 2].values 接下来，处理数据：
# Reshape your data either using array.reshape(-1, 1) if your data has a single feature # array.reshape(1, -1) if it contains a single sample.X = np.reshape(X, (-1, 1))y = np.reshape(y, (-1, 1))# Feature Scalingfrom sklearn.preprocessing import StandardScalersc_X = StandardScaler()sc_y = StandardScaler()X = sc_X.fit_transform(X)y = sc_y.fit_transform(y)
接下来，进入正题，开始SVR回归：
# Fitting SVR to the datasetfrom sklearn.svm import SVRregressor = SVR(kernel = 'rbf')regressor.fit(X, y)# Predicting a new resulty_pred = regressor.predict(sc_X.transform(np.array([[6.5]])))# 转换回正常预测值y_pred = sc_y.inverse_transform(y_pred)
# 图像中显示plt.scatter(X, y, color = 'red')plt.plot(X, regressor.predict(X), color = 'blue')plt.title('Truth or Bluff (SVR)')plt.xlabel('Position level')plt.ylabel('Salary')plt.show() 
# Visualising the SVR results (for higher resolution and smoother curve)X_grid = np.arange(min(X), max(X), 0.01) # choice of 0.01 instead of 0.1 step because the data is feature scaledX_grid = X_grid.reshape((len(X_grid), 1))plt.scatter(X, y, color = 'red')plt.plot(X_grid, regressor.predict(X_grid), color = 'blue')plt.title('Truth or Bluff (SVR)')plt.xlabel('Position level')plt.ylabel('Salary')plt.show() 