SVM изучает так называемую функцию принятия решения из ваших функций, так что функции из вашего положительного класса дают положительные действительные числа, а функции из отрицательного класса производят отрицательные числа (по крайней мере, большую часть времени,в зависимости от ваших данных).
Для двух функций вы можете визуализировать это в 2D плоскости.Функция назначает реальное значение каждой точке на плоскости, это значение может быть изображено как цвет. Этот график показывает значения в виде различных синих цветов.
Значения признаков, приводящие к нулю, образуют так называемую границу решения .
Эта функция сама по себеимеет два вида параметров:
- зависимые от ядра параметры.В вашем случае для радиальных базисных функций это параметры
epsilon и gamma, которые вы устанавливаете перед обучением. - И так называемые опорные векторы, которые определяются во время обучения. опорные векторы - это просто параметры вашей решающей функции .
Обучение - это не что иное, как определение хороших опорных векторов (параметров!).
В этом 2d пример видео цвета показывают не фактическое значение функции, а только знак.Вы можете видеть, как gamma влияет на плавность решающей функции.
Чтобы ответить на ваш вопрос:
SVR строит такую функцию, но с другой целью.Функция не пытается присвоить положительные результаты вашим положительным примерам, а отрицательные результаты - отрицательным.
Вместо этого функция построена для аппроксимации заданных числовых результатов.