⑴ 用svr和spss哪個做回歸比較好
svr是一種演算法，SPSS是一個統計軟體，這兩個東西怎麼比呀？
看你的運用環境，需要，就做svr，找相應的工具。
如果普通的線性回歸或邏輯回歸，用SPSS就可以了。
⑵ svr演算法和svm演算法哪個好
1、支持向量機（ SVM ）是一種比較好的實現了結構風險最小化思想的方法。它的機器學習策略是結構風險最小化原則
為了最小化期望風險，應同時最小化經驗風險和置信范圍）
支持向量機方法的基本思想：
（ 1
）它是專門針對有限樣本情況的學習機器，實現的是結構風險最小化：在對給定的數據逼近的精度與逼近函數的復雜性之間尋求折衷，以期獲得最好的推廣能力；
（ 2
）它最終解決的是一個凸二次規劃問題，從理論上說，得到的將是全局最優解，解決了在神經網路方法中無法避免的局部極值問題；
（ 3
）它將實際問題通過非線性變換轉換到高維的特徵空間，在高維空間中構造線性決策函數來實現原空間中的非線性決策函數，巧妙地解決了維數問題，並保證了有較好的推廣能力，而且演算法復雜度與樣本維數無關。
目前， SVM
演算法在模式識別、回歸估計、概率密度函數估計等方面都有應用，且演算法在效率與精度上已經超過傳統的學習演算法或與之不相上下。
對於經驗風險R，可以採用不同的損失函數來描述，如e不敏感函數、Quadratic函數、Huber函數、Laplace函數等。
核函數一般有多項式核、高斯徑向基核、指數徑向基核、多隱層感知核、傅立葉級數核、樣條核、 B
樣條核等，雖然一些實驗表明在分類中不同的核函數能夠產生幾乎同樣的結果，但在回歸中，不同的核函數往往對擬合結果有較大的影響
2、支持向量回歸演算法（svr）主要是通過升維後，在高維空間中構造線性決策函數來實現線性回歸，用e不敏感函數時，其基礎主要是 e
不敏感函數和核函數演算法。
若將擬合的數學模型表達多維空間的某一曲線，則根據e 不敏感函數所得的結果，就是包括該曲線和訓練點的「
e管道」。在所有樣本點中，只有分布在「管壁」上的那一部分樣本點決定管道的位置。這一部分訓練樣本稱為「支持向量」。為適應訓練樣本集的非線性，傳統的擬合方法通常是在線性方程後面加高階項。此法誠然有效，但由此增加的可調參數未免增加了過擬合的風險。支持向量回歸演算法採用核函數解決這一矛盾。用核函數代替線性方程中的線性項可以使原來的線性演算法「非線性化」，即能做非線性回歸。與此同時，引進核函數達到了「升維」的目的，而增加的可調參數是過擬合依然能控制。
⑶ 論文中某個變數的測度什麼意思
該欄目主要是推送上財商學院教師國內外學術前沿動態、科研成果的信息平台。商學院以「雙一流」學科建設為科研導向打造學院核心優勢；商學院教師踐行「厚德博學，經濟匡時」的校訓，不斷提升科研實力和教學成果，在各自領域做出優秀的原創性科研成果，打造商學院財經特色品牌，為促進中國社會經濟的發展提供理論支持。
編者按
本期推介成果為上財商學院謝天副教授及其合作者Steven F. Lehrer完成，2021年3月12日發表在《Management Science》的論文「The Bigger Picture: Combining Econometrics with Analytics Improves Forecasts of Movie Success」。
· 論文摘要 ·
使用機器學習結合社交媒體大數據來提高預測精度，在學術界和業界都有較高的關注度。為了評估該項技術的實用性，本文使用電影行業數據，將常規計量經濟學方法與預測分析文獻中的常見機器學習工具進行了詳細的對比。在此基礎上，我們還提出了一種全新的混合學習演算法。該方法將常規計量經濟學演算法與機器學習演算法相結合，進而可以更加精確地捕捉數據異質性，以達到提高預測精度的目的。我們的實證結果驗證了社交媒體數據的重要性以及混合學習演算法的價值。具體來說，雖然機器學習演算法中的最小二乘支持向量回歸和樹類演算法明顯優於傳統計量經濟學方法，但我們提出的混合學習演算法能夠在其基礎上進一步提高預測精度。此外，蒙特卡洛實驗表明，我們提出的混合學習演算法的相對優勢主要建立在數據的異質性上。而無論社交媒體數據測度方法的迥異區別還是各種電影特徵對票房的不同影響都會產生顯著的異質性。
作者介紹 INTRODUCTION
謝天，曾獲加拿大皇後大學博士學位。上海財經大學商學院世經國貿系副教授。主要研究方向為組合預測和模型平均，大數據分析等。主持和參與多項國家自然科學基金項目。研究成果在Management Science, Review of Economics and Statistics, Journal of Financial Econometrics等一流期刊發表。
BONUS SCENE
一個小彩蛋
Management Science編輯部以及我的合作者Steven F. Lehrer在推特上都有對本文做宣傳。我私下裡把他們發的Tweets以及所有回復的內容一起做了一個簡單的字元分析，並把結果通過如下字圖展示。字體越大說明提及頻率越高。貌似在介紹本文的時候，人們較為看重數據處理，而且關心(機器)學習方法與計量經濟學的全新結合。這較為直觀地反映了目前我所在的研究(小)領域內，人們看重的關鍵點和可能的未來發展方向。一些表達情緒的關鍵詞彙也被篩選出來。當然也沒忘提及了下我的名字(右下角…好小…)。
我還用本文使用的情緒分析工具，研究了一下合作者所有相關Tweets的綜合情緒。結果顯示，和中性的0相比，Tweets情緒高達0.733。說明Steve發推時的情緒高漲自豪。
01
引言
很多人推測，電影製片廠在不久的將來會認識到，決定一部電影成功與否的因素中，預測分析與製片人、導演和（或）電影明星一樣重要。目前文獻中，預測分析結合社交媒體大數據的做法比較流行，且主要用在電影行業的需求預測上。提高預測精度的意義重大，因為它們能夠降低投資者對票房不確定性的顧慮從而增加資本投資；還可以幫助市場營銷團隊量身打造最有效的營銷活動。
前人的研究中，如 Bollen, Mao 和 Zheng (2011), Goh, Heng 和 Lin (2013) 及 Lehrer 和 Xie (2017) 等，展示了社交媒體在不同預測情境下的重要性。然而，這些文獻中都沒有考慮目前流行的機器學習演算法，如回歸樹，隨機森林，提升方法和支持向量回歸等。這些機器演算法一般不會限制統計模型的具體結構，並且通過加入傳統計量方法忽略的非線性預測量的交互項來提升預測精度。盡管這些演算法在建模時有一定優勢，通過遞歸分區構建超平面或者樹形結構時，它們一般都要求在整個解釋變數空間內，齊方差假設成立。
數據的異方差性可能來自於被忽略的參數異質性，會影響許多預測方法的預測能力。比如，異方差會改變支持向量的位置，還會改變數據分區的方式，從而影響回歸樹的結構等。本文提出了一種新的預測分析理念，與以往文獻中的計量方法和機器學習演算法都不同，為提升電影業預測精度提供了指導性幫助。因此，本文對以改善預測精度等實證表現為主的數據科學領域的發展也做出了一定貢獻。改領域目前在經濟學科和管理學科都受到了重視，著名文獻包括但不限於：Vasilios, Thephilos 和 Periklis (2015) 檢驗了預測每日和每月匯率時，機器學習方法的精度；Wager 和 Athey (2018) 提出了隨機森林的變形方法，估計隨機效應；Ban, Karoui 和 Lim (2018) 用機器學習演算法做投資組合優化，等等。
本文提出的混合策略，考慮了最小二乘支持向量回歸和遞歸分區方法中數據的異方差性導致的異質性問題。為了說明這一點，用回歸樹預測時， 我們通常用一個局部常量模型，假設單個終端葉片間結果同質。本文的混合方法允許模型有不確定性，並且在每個終端葉子分組中進行模型平均。因此，我們的混合方法考慮了每個葉子分組內，解釋變數和被解釋變數之間存在異質性的概率。最近的一篇文獻，Pratola, Chipman, Geroge 和 Mc- Culloch (2020) 考慮在貝葉斯模型的框架之下，在現有機器學習文獻中加入異方差。在支持向量回歸方法中，我們也允許模型不確定性，對准則函數做出調整，使之建立在異方差誤差項之上。本文通過模擬實驗以及電影票房相關的實證例子闡述了，混合策略及遞歸分區方法或者最小二乘支持向量回歸的具體應用環境，和相比較於Pratola, Chipman, Geroge 和 Mc- Culloch (2020)等方法的比較優勢，進而感興趣的使用者提供了指導。
本文還對其他實證方法對電影收入的預測精度做了檢驗。我們選擇樣本時並沒有特定的標准依據，樣本包括三年內北美所有在影院上映或售賣的電影。我們發現，該數據表現出很強的異方差性，追溯其原因很可能是來自不同分布的人群對不同類型電影的興趣差異性。本文的實證結果首先為學者選擇預測方法時的權衡提供了新的啟示。樣本容量較小時，我們發現最小二乘支持向量回歸優於其他機器學習方法。總體來看，遞歸分區方法（包括回歸樹，引導聚合和隨機森林）與計量方法相比，預測精度提升30%-40%，那些計量方法都採用了模型選擇標准或模型平均方法。計量估計量和懲罰方法間接考慮了異方差數據，統計學習方法與這些方法相比，預測精度有很大的提升，進一步說明了線性參數計量模型的局限性。然而，這些線性模型目前仍然很受歡迎。如Manski (2004)所說：「統計學家取得進步的原因是把目標集中在易處理的估計量上，比如線性無偏或漸近正態的估計量。」
其次，本文的發現利用本文提出的混合策略，在允許模型不確定性存在時，預測精度約有10%的進一步提高。許多種類的機器學習演算法的預測精度都有所提升：(i) 替代支持向量回歸的核函數；(ii) 在樹形結構（包括隨機森林，引導聚合，M5』，最小二乘支持向量回歸）下用超參數和局部目標函數來分割數據的演算法等等。模擬實驗能夠幫助我們理解為什麼實證分析中預測精度會出現大幅的提升。我們發現參數存在顯著異質性導致數據異方差時， 本文的混合策略極為有效。參數異質性的原因可能是跳躍或門檻效應，或者是在潛在關系中忽視了參數的異質性。這種情況下，混合策略能在一定程度上解釋葉片間結果的異質性。
最後，本文發現加入社交媒體數據，即使在異方差的數據環境下，仍然對提高預測精度有巨大的幫助。我們考慮了多種計量檢驗，都驗證了社交媒體數據的重要性。我們提出的混合策略甚至可以對變數的重要性進行量化排序。計算結果說明，預測電影票房或單位銷售收入時，最重要的10個變數中，有7個隸屬於社交媒體數據。
接下來，我們將對本文採用的模擬實驗結果以及實證分析進行具體的描述。
02
模擬實驗結果對比
為了展示混合策略相較傳統方法的優勢，我們考慮以下非線性模型。其中，圖1(a)(b) 兩部分分別展示了訓練數據的散點圖和曲面圖，數據生成過程如下：
yi = sin(X1i) + cos(X2i) + ei,
其中 X1i ∈ [1, 10], X2i ∈ [1, 10], ei是均值為0、方差為0.01的高斯雜訊。
圖1 (c) -(f) 分別表示用 RT, MART, SVRLS,和 MASVRLS方法得到的訓練數據的預測值 y.由於RT預測假設葉片間同質，圖1(c) 中的曲面圖與階梯函數類似。相反，MART預測假設葉片間也是異質的，圖1(d) 中的曲面圖與基本數據中聯合分布的變化更接近。圖1(e) SVRLS 的預測圖與 MART 類似，但褶皺更明顯。而MASVRLS 方法預測的曲面圖最為平緩，具體可參見圖1(f).
圖1(g)-(j) 分別展示了 RT, MART, SVRLS,和 MASVRLS演算法的預測誤差。通過比較這四個圖形的高度，我們發現，MART 和 MASVRLS 方法得到的絕對誤差值的分別小於RT和SVRLS 的一半。而且，整個 X1 和 X2 的區間內，(h) 和 (i) 高度都減半了。這驗證了我們對於放鬆模型具體結構可以提高預測精度的假設，也說明了捕捉葉片或支持向量之間的參數異質性從而提高預測精度的重要性。
圖1、混合策略與其他傳統方法在模擬數據下的表現差異展示▼
03
實證研究
我們收集了2010年10月1日至2013年6月30日期間北美上映的所有電影的相關數據。在 IHS 電影咨詢部門的幫助下，我們用一系列指標衡量每部電影的特徵，包括電影類型，美國電影協會給出的電影內容評級(G, PG, PG13 和 R)，除廣告費用以外的預算，以及電影上映六周前電影製片廠預測的上映周數和上映影院數。在本文的分析中，我們主要用首映周末票房(n = 178) 和首映時 DVD 和藍光光碟的總銷量(n = 173) 考量一部電影的初始需求量。
為了從大量推特信息中 (平均每天3.5億條) 萃取出有用的關於「支付意願」的信息，本文考慮兩種衡量標准。第一，基於 Hannak 等人 (2012) 的演算法，計算某一部電影的「情緒」。這種演算法包括電影標題和關鍵詞的文本分析：找出含有電影名稱或關鍵詞的推特，再計算作者發布的文字和圖片中的情緒得分。與某一部電影有關的所有推特中，每個詞語有不同的情緒得分，這部電影的情緒指數就是情緒得分的均值。第二，我們計算了每部電影有關的不加權的推特總數。在本文的分析中，我們分別考慮推特數量（volume）和推特情緒（sentiment），因為情緒能表現電影的質量，但數量可以展現人們對電影的興趣（流量）。
為了檢驗在傳統計量方法或機器學習方法中加入社交媒體數據的重要性，我們參照 Hansen 和 Racine (2012) 的做法，做了下述試驗，以衡量包含不同協變數的模型中不同估計量的相對預測效率。我們比較的估計方法可以分為以下幾類：(i) 傳統計量方法；(ii) 模型篩選方法；(iii) 模型平均發 ；(iv) 機器學習方法；以及(v) 本文新提出的混合方法。該方法結合了計量工具和機器學習演算法，能夠更好地捕捉數據的異質性。
試驗把原始數據 (樣本量為 n ) 分成訓練集 (nT ) 和評估集(nE = n −nT ).我們可以從訓練集中得到每種方法的參數估計量，這些參數估計量接著被用來預測評價集的結果，從而可以計算均方誤測方差 (MSFE) 和平均絕對預測誤差 (MAFE)，對每類預測方法做出評價。以最小二成法（OLS）為例，MSFE和MAFE的具體演算法如下：
其中 (yE, xE) 是評價集，nE 是訓練集中觀測值的數量， βˆT 是基於訓練集的對應模型的估計系數，ιE 是一個 nE × 1、元素都為1的向量。總的來說， 我們用不同大小的評估集 (nE = 10, 20, 30, 40) 重復進行了10,001次試驗。
圖2和圖3分別是公開票房和單位銷售額的預測誤差試驗的結果。圖2和圖3最上面的一幅圖表示的是 MSFE 的中位數，最下面的一幅圖表示的是MAFE 的中位數。每個小圖中都有四條曲線，分別對應不同大小的評估集， 每個點代表對應評估集下，x軸上標出的估計量的預測結果。估計量一般按照預測精度的改善程度排序，除了本文新提出的混合策略的估計量在傳統的機器學習方法估計量的附近。重新排列幫助我們直觀地看到每一個混合方法中加入模型不確定性帶來的邊際收益。需要注意的一點是，RF 和MARF 後的數值代表隨機抽取的用來決定每個節點處是否分裂的解釋變數的個數。
本文提出的 MASVRLS 方法在每幅圖的最右邊，因為不管用 MSFE 還是 MAFE 衡量，MASVRLS 的預測結果都是最優的。緊靠著 MASVRLS 左邊的是 SVRLS 方法，得到了次優的結果。加入模型平均使得 SVRLS 和 MASVRLS 的預測表現提升10%。即便如此，nE 取值很小時，試驗考察的機器學習方法都絕對優於 HRCp，計量估計量和懲罰方法。統計學習文獻中常用的方法，如引導聚合、隨機森林方法也優於基準模型。而且，我們發現把模型平均加入到引導聚合方法後，大約有10%的收益，與向 SVRLS 方法加入模型不確定性後的收益相同。
圖2、公開票房預測結果對比
圖3、單位銷售額預測結果對比
比較圖2和圖3的結果，我們發現混合策略中加入支持向量回歸比樹形回歸能獲得更大的收益，且公開票房的預測結果優於零售單位銷售額的預測結果。然而，電影零售單位銷售額的預測精度提高的百分點更大，因為電影零售單位銷售額的樣本容量更小。我們還發現，當我們使用更大的樣本來預測DVD和藍光光碟銷售額時，HBART相較於樹形回歸的優越性更為明顯。常規的隨機森林方法和加入模型平均後的隨機森林估計，在所有方法中表現平平。需要注意的是，當測試集nE 變大，所有方法的預測表現都會變差，這一結果也符合預期。
04
結論
電影行業充滿不確定性。De Vany 和Walls (2004) 報告稱，1984-1996年上映的2,000部電影中，只有22% 的電影盈利或不賺不賠。由於社交媒體能反映出一部電影上映前公眾的興趣，而且社交媒體還能夠測度潛在觀眾對廣告營銷的反應，電影業對於用社交媒體數據做預測十分振奮。新的數據來源不僅能夠提高潛在提升預測精度，還能運用遞歸分區方法或者為數據挖掘開發的SVR演算法。運用電影業的數據，我們發現這些演算法與維度縮減或傳統計量方法相比，預測精度有了顯著提高。
盡管機器學習方法提供了實際性的幫助，我們認為異方差數據可能會阻礙許多演算法的預測表現。因此，我們提出了一種混合策略，即把模型平均應用到每個支持向量或葉片中。本文的實證研究說明，不管是哪種機器學習演算法，運用混合策略後預測精度都有顯著改善。而且，混合策略中加入支持向量回歸比樹形回歸能獲得更大的收益，且公開票房的預測結果優於零售單位銷售額的預測結果。然而，電影零售單位銷售額的預測精度提高的百分點更大，因為電影零售單位銷售額的樣本容量更小。另外，在傳統計量方法、懲罰方法或模型篩選方法中加入異方差能夠提高預測精度，本文的分析對這點提出了懷疑。
機器學習領域學者們面臨的一大挑戰是Wolpert 和Macready (1997) 提出的「無免費午餐」定理。這是一個不可能定理，即不可能存在一個全局最優策略。最優策略不但取決於樣本容量和預測的目標變數，還取決於特定問題的結構，而分析者事前通常不知道問題的結構。然而，由於現實世界中數據的異方差性很普遍，在樹類演算法或最小二乘支持向量回歸的基礎之上，我們提出的混合學習演算法具有重要意義，還能夠與 Pratola, Chipman, Geroge 和 McCulloch (2020) 提出的 HBART 策略相互補充。
為了推動後續有關社交媒體對電影業盈利的影響的文獻，我們可以考慮使用加總程度更低的推特數量和情緒得分作為解釋變數。比如，我們可以測度推特不同子集的情緒，子集的分類標准可以是粉絲數量，人口特徵， 或推特是否有正面(負面)導向，等等。通過把社交情緒分解成小部分，我們可以知道，推特中表達出的哪種類型的情緒與觀看電影的決策相關。未來的研究方向是：理解混合學習演算法的統計特徵，開發出一個能夠在一個有多個協變數的模型中捕捉到異方差來源的檢驗方法，以及為他人提供策略選擇方面的建議。另外，我們還需要開發出一套評價預測模型的標准，評價標准不僅僅是估計量的偏差和效率，還應該考慮預測方法的計算復雜性，這些都將會對管理決策提供很大的幫助。
SUFE COB
責編 | 張宜傑 審編 | 謝天 沈夢雪
⑷ python sklearn 怎樣用
SVM既可以用來分類，就是SVC；又可以用來預測，或者成為回歸，就是SVR。sklearn中的svm模塊中也集成了SVR類。
我們也使用一個小例子說明SVR怎麼用。
X = [[0, 0], [1, 1]] y = [0.5, 1.5] clf = svm.SVR() clf.fit(X, y) result = clf.predict([2, 2]) print result
⑸ java開發中svr的client是什麼意思
client是客戶端，在java中c/s結構，c是client客戶端，s是server伺服器端：
C/S又稱Client/Server或客戶/伺服器模式。伺服器通常採用高性能的PC、工作站或小型機，並採用大型資料庫系統，如ORACLE、SYBASE、InfORMix或 SQL Server。客戶端需要安裝專用的客戶端軟體。
傳統的C/S體系結構雖然採用的是開放模式，但這只是系統開發一級的開放性，在特定的應用中無論是Client端還是Server端都還需要特定的軟體支持。由於沒能提供用戶真正期望的開放環境，C/S結構的軟體需要針對不同的操作系統系統開發不同版本的軟體， 加之產品的更新換代十分快，已經很難適應百台電腦以上區域網用戶同時使用。而且代價高， 效率低。
Client/Server結構是20世紀80年代末提出的。這種結構的系統把較復雜的計算和管理任務交給網路上的高檔機器——伺服器，而把一些頻繁與用戶打交道的任務交給前端較簡單的計算機—客戶機。通過這種方式，將任務合理分配到客戶端和伺服器端，既充分利用了兩端硬體環境的優勢，又實現了網路上信息資源的共享。由於這種結構比較適於區域網運行環境，因此逐漸得到了廣泛的應用。
在Client/Server結構的系統中，應用程序分為客戶端和伺服器端兩大部分。客戶端部分為每個用戶所專有，而伺服器端部分則由多個用戶共享其信息與功能。客戶端部分通常負責執行前台功能，如管理用戶介面、數據處理和報告請求等；而伺服器端部分執行後台服務，如管理共享外設、控制對共享資料庫的操作等。這種體系結構由多台計算機構成，它們有機地結合在一起，協同完成整個系統的應用，從而達到系統中軟、硬體資源最大限度的利用。
任何一個應用系統，不管是簡單的單機系統還是復雜的網路系統，都由3個部分組成：顯示邏輯部分(表示層)、事務處理邏輯部分(功能層)和數據處理邏輯部分(數據層)。顯示邏輯部分的功能是與用戶進行交互；事務處理邏輯部分的功能是進行具體的運算和數據的處理；數據處理邏輯部分的功能是對資料庫中的數據進行查詢、修改和更新等。在兩層模式的Client/Server結構中，顯示邏輯部分和事務處理邏輯部分均被放在客戶端，數據處理邏輯部分和資料庫被放在伺服器端。這樣就使得客戶端變得很「胖」，成為胖客戶機，而伺服器端的任務相對較輕，成為瘦伺服器。
這種傳統的Client/Server結構比較適合於在小規模、用戶數較少(≤100)、單一資料庫且有安全性和快速性保障的區域網環境下運行，所以得到了廣泛的應用。但隨著應用系統的大型化，以及用戶對系統性能要求的不斷提高，兩層模式(2-Tier)的Client/Server結構越來越滿足不了用戶需求。這主要體現在程序開發量大、系統維護困難、客戶機負擔過重、成本增加及系統的安全性難以保障等方面。
⑹ svr是什麼意思
SVR理論是美國心理學家默斯特因提出的戀愛心理學理論，用於解釋一個人在戀愛過程中的心理變化。
⑺ 如何通俗易懂地解釋支持向量回歸
超級通俗的解釋：
支持向量機是用來解決分類問題的。
先考慮最簡單的情況，豌豆和米粒，用曬子很快可以分開，小顆粒漏下去，大顆粒保留。
用一個函數來表示就是當直徑d大於某個值D，就判定為豌豆，小於某個值就是米粒。
d>D, 豌豆
d
在數軸上就是在d左邊就是米粒，右邊就是綠豆，這是一維的情況。
但是實際問題沒這么簡單，考慮的問題不單單是尺寸，一個花的兩個品種，怎麼分類？
假設決定他們分類的有兩個屬性，花瓣尺寸和顏色。單獨用一個屬性來分類，像剛才分米粒那樣，就不行了。這個時候我們設置兩個值 尺寸x和顏色y.
我們把所有的數據都丟到x-y平面上作為點，按道理如果只有這兩個屬性決定了兩個品種，數據肯定會按兩類聚集在這個二維平面上。
我們只要找到一條直線，把這兩類劃分開來，分類就很容易了，以後遇到一個數據，就丟進這個平面，看在直線的哪一邊，就是哪一類。
比如x+y-2=0這條直線，我們把數據(x,y)代入，只要認為x+y-2>0的就是A類，x+y-2<0的就是B類。
以此類推，還有三維的，四維的，N維的 屬性的分類，這樣構造的也許就不是直線，而是平面，超平面。
一個三維的函數分類 ：x+y+z-2=0，這就是個分類的平面了。
有時候，分類的那條線不一定是直線，還有可能是曲線，我們通過某些函數來轉換，就可以轉化成剛才的哪種多維的分類問題，這個就是核函數的思想。
例如：分類的函數是個圓形x^2+y^2-4=0。這個時候令x^2=a; y^2=b,還不就變成了a+b-4=0 這種直線問題了。
這就是支持向量機的思想。
機的意思就是 演算法，機器學習領域裡面常常用「機」這個字表示演算法
支持向量意思就是 數據集種的某些點，位置比較特殊，比如剛才提到的x+y-2=0這條直線，直線上面區域x+y-2>0的全是A類，下面的x+y-2<0的全是B類，我們找這條直線的時候，一般就看聚集在一起的兩類數據，他們各自的最邊緣位置的點，也就是最靠近劃分直線的那幾個點，而其他點對這條直線的最終位置的確定起不了作用，所以我姑且叫這些點叫「支持點」（意思就是有用的點），但是在數學上，沒這種說法，數學里的點，又可以叫向量，比如二維點(x,y)就是二維向量，三維度的就是三維向量（ x,y,z)。所以 「支持點」改叫「支持向量」，聽起來比較專業，NB。
所以就是 支持向量機 了。