SVR的应用场景
来源：11-9 SVM思想解决回归问题
讲武德的年轻人
2021-06-16
您好。想知道用SVM做回归有哪些场景呢？我能想到的和线性回归的区别是，线性回归受outlier的影响会比较大，儿SVR对每个数据点给一样的权重，所以不太会受outlier影响。但是不知道这种性质有哪些应用？ 我以前学过分位数回归（quantile regression)， 也有不受outlier影响的性质。
写回答
1回答
-
liuyubobobo
2021-06-16
首先，如你所说， SVR 对 outlier 有一定的容忍性。诚然，还会有其他算法对 outlier 有容忍性，但是不同的算法，面对不同的数据，对 outlier 容忍的表现是不一样的。不是说一个算法对 outlier 有容忍性，，那么所有有 outlier 的数据用这个算法就都没问题了，也不是说我们就可以不处理 outlier 了。这就是机器学习复杂的地方。
除此之外，SVM 思想重要的意义是支持核函数，所以可以处理非线性问题。而对诸如高斯核的支持，这个非线性不是简单地多项式化特征。这一点是 SVM 最独特的地方。
SVM 另外一个优势是，在相对的小规模数据中，通常会有更好的表现。但依然是，这不是定论，还要根据具体数据来看。
继续加油！：）
00
相似问题