支援向量迴歸 是什麼？
SVR：支援向量迴歸 的完整解釋
基於支援向量機原理的迴歸模型，利用間隔帶容忍小誤差，對雜訊具有一定抵抗力。
支援向量迴歸（Support Vector Regression，SVR）是機器學習中用於預測連續數值的一種監督式學習演算法，源自支援向量機（Support Vector Machine，SVM）的理論框架。SVM 最初設計用於二元分類，而 SVR 則將其延伸至迴歸問題，核心概念是找到一條能夠最佳擬合資料的函數，同時使模型的複雜度（generalization risk）維持在最低水準。
SVR 的關鍵創新在於引入了 ε-不敏感損失函數（ε-insensitive loss function）。傳統迴歸方法（如線性迴歸）會對每一個預測誤差加以懲罰；SVR 則設定一個容差帶 ε，在這個帶狀區間內的預測誤差不計入損失，只有超出 ε 範圍的樣本點才會被納入損失計算並影響最終模型。這樣的設計讓 SVR 對小幅雜訊具有天然的抵抗力，尤其適合訓練資料中存在輕微量測誤差的場景。
從幾何角度來看，SVR 的目標是尋找一個「ε 管道（ε-tube）」，使得盡可能多的訓練樣本落在管道之內。落在管道外的樣本稱為支援向量（support vectors），它們決定了模型的邊界。與 SVM 類似，SVR 只依賴少數關鍵的支援向量而非全部訓練資料，因此在高維空間中也能保持計算效率。
當資料並非線性可分時，SVR 透過核函數（kernel function）將輸入空間映射到高維特徵空間，在高維空間中執行線性迴歸，從而實現對原始空間中非線性關係的擬合。常用的核函數包括：線性核（linear kernel）、多項式核（polynomial kernel）、徑向基函數（Radial Basis Function，RBF）、以及 sigmoid 核。其中 RBF 核在實務上應用最廣，因為它能夠處理多數非線性資料且超參數較少。
SVR 的重要超參數有三個。第一是 C（正則化參數），控制對超出 ε 帶的樣本給予多大的懲罰；C 越大，模型越傾向於擬合每個訓練點，容易過擬合；C 越小，則模型傾向於更平滑的函數。第二是 ε（容差帶寬度），決定能容許多大的預測偏差而不計入損失；ε 越大，支援向量越少，模型越簡單。第三是核函數本身的參數，例如 RBF 核的 γ 值，控制單一訓練樣本的影響範圍；γ 越大，決策邊界越複雜，越容易過擬合。
在訓練過程中，SVR 求解的是一個凸二次規劃（Convex Quadratic Programming）問題，確保能找到全域最優解，不像深度神經網路可能陷入局部最優。透過引入鬆弛變數（slack variables）ξ 和 ξ*，SVR 允許少數樣本超出 ε 管道，代價是在目標函數中加入相應的懲罰項，C 參數控制這個懲罰的強度。
在 iPAS AI 應用規劃師中級考試中，SVR 常與其他迴歸方法（如線性迴歸、隨機森林迴歸）一起比較，考題會要求考生識別 SVR 的特性：尤其是 ε 容差帶的概念、對小型雜訊的穩健性、以及核技巧的使用。考生應能區分 SVR 與分類用 SVM 的異同，並了解 C、ε、γ 三個超參數各自的作用方向。
SVR 的優點包括：在高維資料上仍能有效訓練、對過擬合有較好的控制、求解的是凸優化問題確保全域最優、以及不受資料規模影響（因為只依賴支援向量）。主要限制則在於當訓練資料量很大時，訓練時間會顯著增加（核矩陣的計算為 O(n²) 空間複雜度），且核函數與超參數的選擇需要透過交叉驗證進行調整，不如決策樹或隨機森林直觀易用。
實務應用場景涵蓋股票價格預測、能源需求預測、生物資訊學中的蛋白質結構預測、以及各類工程訊號回歸分析。在資料量中等（數千到數萬筆）且特徵維度相對較高的情境下，SVR 通常能展現出優於線性迴歸的準確率，同時比深度神經網路所需的計算資源更少。對於小型資料集的高精度迴歸任務，SVR 至今仍是值得優先評估的基準方法之一。