SVR（支持向量回歸）算法是一種用於處理回歸問題的機器學習算法。它的核心思想是通過在特徵空間中構建一個最優超平面來擬合數據，這個超平面能夠最小化訓練樣本的預測值與真實值之間的誤差。
SVR算法的工作原理是在線性函式兩側創建一個「間隔帶」，這個間隔帶的寬度由一個經驗設定的值ϵ(容忍偏差)決定。所有落入間隔帶內的樣本不計算損失，這意味著只有支持向量（位於間隔帶外的樣本）才會對函式模型產生影響。SVR通過最小化總損失和最大化間隔來得出最佳化後的模型。對於非線性問題，SVR使用核函式將數據映射到高維特徵空間，然後在該空間中尋找最優超平面。
SVR與SVM（支持向量機）相似，但目的不同。SVM用於分類問題，而SVR用於回歸問題。SVR通過引入鬆弛變數來處理偏離超平面的樣本，這些變數允許在間隔帶內有一定的誤差範圍。
SVR的優點包括其出色的泛化能力和高預測精度，但也存在一些缺點，如核函式的內積計算可能耗費大量資源和時間，這限制了SVR在大規模數據集上的套用。此外，對輸入數據的預處理（如特徵選擇和分析）對於減少計算量和提高模型性能至關重要。