SVR（Support Vector Regression）是一種基於支持向量機的回歸方法，具有以下特點：
非線性能力強。通過使用核函式將輸入特徵映射到高維特徵空間，SVR能夠處理非線性回歸問題。
對異常值魯棒性強。SVR對異常值的影響相對較小，因為它主要關注在邊界帶內的樣本點。
模型泛化能力強。通過最大化邊界帶的寬度來尋找最優的超平面，SVR具有較好的泛化能力。
可以處理高維數據。由於使用核函式進行特徵映射，SVR可以處理高維數據，避免了維度災難問題。
計算複雜度高。對於大規模數據集，SVR的訓練時間較長。
參數調節敏感。需要謹慎選擇核函式和正則化參數。
對於樣本噪聲較大的情況，模型的預測性能可能會下降。
SVR算法的核心在於線上性函式的兩側創造一個「間隔帶」，對於所有落入到間隔帶內的樣本不計算損失，只有間隔帶之外的樣本才會對其函式模型產生影響。最後，通過最小化總損失和最大化間隔來得出最佳化後的模型。
以上是SVR算法的基本介紹，希望對你有所幫助。