🔑 名詞卡
SVR（Support Vector Regression，支援向量迴歸）
🎯 定義
SVM 的延伸，用於處理迴歸問題。核心概念是在誤差容忍範圍（ε-tube）內忽略誤差，只關注超出範圍的誤差，藉此提升對離群值的抵抗力。
重點／應用
\[\min_{w,b,\xi,\xi^*}\frac{1}{2}\|w\|^2+C\sum_{i=1}^n(\xi_i+\xi_i^*)\]
- \(C\)：懲罰參數，控制模型複雜度與對誤差的容忍度。
- \(\varepsilon\)：誤差容忍範圍。
- 可搭配核函數（如 RBF）處理非線性迴歸問題。
- 假設較少，不強制線性關係、不需誤差常態分佈，但計算成本高、不適合極大規模資料。
記憶技巧
「一般迴歸想讓所有誤差都變小，SVR 只在乎超出容忍範圍（ε-tube）的誤差」。
易混淆
- vs SVM：SVM 用於分類，SVR 是其迴歸版本，兩者共享核函數與間隔最大化的核心思想。
📖 課文原文「SVR 與傳統線性迴歸不同，SVR 不追求最小化所有點的平方誤差，而是盡可能忽略誤差小於 ε 的資料點，只關注誤差超過 ε 的點，藉此提升對離群值的抵抗力。」