SVMs là một lớp các mạnh mẽ, kỹ thuật mô hình rất linh hoạt. Lý thuyết
đằng sau SVMs ban đầu được phát triển trong bối cảnh của mô hình phân loại.
Sau đó, trong Chap.13, động lực cho kỹ thuật này được thảo luận trong hơn của nó
dưới dạng tự nhiên. Đối với hồi quy, chúng tôi followSmola (1996) andDrucker et al. (1997)
và thúc đẩy kỹ thuật này trong khuôn khổ của regressionwhere mạnh mẽ, chúng tôi
tìm cách giảm thiểu ảnh hưởng của giá trị ngoại lai onthe phương trình hồi quy. Ngoài ra, có
một số hương vị của hồi quy vector hỗ trợ và chúng tôi tập trung vào một đặc biệt
kỹ thuật hồi quy -insensitive gọi là?.
Nhớ lại rằng hồi quy tuyến tính tìm tofind tham số ước tính giảm thiểu SSE (Sect.6.2). Một nhược điểm của việc giảm thiểu SSE là tham số
ước tính có thể bị ảnh hưởng bởi chỉ cần một quan sát mà rơi xa
xu hướng chung trong các dữ liệu. Khi dữ liệu có thể chứa các quan sát có ảnh hưởng,
một số liệu giảm thiểu thay thế đó là ít nhạy cảm, chẳng hạn như Huber
chức năng, có thể được sử dụng để tìm các ước lượng tham số tốt nhất. Chức năng này sử dụng
các phần dư bình phương khi họ là "nhỏ" và sử dụng các phần dư tuyệt đối
khi các số dư lớn. Xem Fig.6.6on p.110for một minh họa.
SVMs cho hồi quy sử dụng một chức năng tương tự như chức năng Huber,
đang được dịch, vui lòng đợi..