SVC vs SVR

SVC vs SVR

sklearn SVM中有:

sklearn.svm.SVC()

sklearn.svm.SVR()

一般来讲

support vector classify（SVC）支持分类机做二分类的，找出分类面，解决分类问题，我所追求的是把样本分成二类或者多类样本点的“最开”， 是要使到超平面最近的样本点的“距离”最大；找区分两类的超平面（hyper plane）,使边际（margin）最大。如做cancer分类，做得病于不得病的分类。多说一句因为本人是做医学数据的，经常用到SVC来做分类。

详细可阅读:Search — scikit-learn 1.1.0 documentation

support vector regression（SVR）支持回归机做曲线拟合、函数回归 ，  它的目的是使所有的样本点离着超平面的总偏差最小，SVR则是要使到超平面最远的样本点的“距离”最小。。可以做预测，温度，天气，股票

详细可阅读：

Support Vector Regression (SVR) using linear and non-linear kernels — scikit-learn 1.1.0 documentation

原理出发：我们看图直白

优点：训练好的模型的算法复杂度是有支持向量(Support Vectors)的个数决定的而不是有数据的维度决定的。所有这样一来，SVM不太容易产生overfitting。训练集里面所有的费支持向量的点都被去重，重复训练的过程，结果还是会得到一样的模型。但是如果训练的支持向量的个数比较小，那么训练出的模型比较容易泛化。

Ps:什么是机器学习中的泛化？ 其实可以根据泛化能力强弱可以分为四种：

欠拟合：模型过于简单，不能在训练集上获得足够低的误差；
拟合： 测试误差与训练误差差距较小；
过拟合：过分关注训练集细节，在训练集上表现良好，但不能泛化到新数据上；
不收敛：模型不是根据训练集训练得到的。

后来有了核函数，使得

sklearn SVM中有:sklearn.svm.SVC()sklearn.svm.SVR()

应用面就更加神通广大了。通过构造核函数使得运算结果等同于非线性映射，同时运算量要远远小于非线性映射。