---
title: "支援向量迴歸（SVR）"
slug: svr
language: zh-TW
source: https://aiterms.tw/terms/svr
updated_at: 2026-07-30
tags: [機器學習, 迴歸分析, 支援向量機, 監督式學習, 核方法]
ipas_term: false
---

# 支援向量迴歸（SVR）

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。

## 完整說明

支援向量迴歸（Support Vector Regression，SVR）是將支援向量機（SVM）的分類思想延伸到迴歸任務的演算法。SVR 不要求預測值與真實值完全吻合，而是允許在一個稱為「ε-tube（ε管道）」的容差帶內存在誤差，只有超出管道的樣本點才會影響模型訓練，使模型對小幅雜訊具有較好的穩健性。

## 常見問題

### SVR 與一般線性迴歸有什麼根本差異？

線性迴歸的損失函數對每個預測誤差都加以懲罰，目標是讓所有樣本點的誤差平方和最小化；SVR 則引入了 ε-不敏感損失函數，在 ε 容差帶內的誤差完全不計入損失，只有超出帶寬的樣本才影響模型參數。此外，SVR 透過核函數可以輕鬆擬合非線性關係，而普通線性迴歸在非線性資料上必須先手工設計特徵。從計算角度看，SVR 求解的是一個凸二次規劃問題，確保能找到全域最優解，而非線性迴歸的某些延伸（如神經網路）則可能陷入局部最優。

### 如何選擇 SVR 的超參數 C、ε 和核函數？

實務上最常用的做法是交叉驗證（cross-validation）搭配網格搜尋（grid search）或貝葉斯最佳化。C 參數控制對容差帶外誤差的懲罰力度，一般從 0.1、1、10、100 等數量級開始搜尋；ε 的選擇取決於資料本身的雜訊水準，通常設定在目標變數標準差的 10% 到 20% 之間作為起點；核函數常用選擇 RBF，其 γ 參數可設為 'scale'（即 1/(n_features * X.var())）作為初始值，再進一步調整。當資料量超過十萬筆時，建議改用線性 SVR 或切換到其他演算法（如隨機森林），以避免訓練時間過長。

### SVR 在 iPAS 考試中常考哪些重點？

iPAS AI 應用規劃師中級考試中，SVR 相關題目主要考查三個層面。第一是概念識別：考生需能辨認 SVR 屬於監督式學習的迴歸方法，並說明 ε-不敏感損失函數和 ε-tube 的作用。第二是超參數理解：C、ε、γ 三個參數各自如何影響模型複雜度與泛化能力是常見考點。第三是比較分析：題目會要求考生比較 SVR 與線性迴歸、決策樹迴歸或神經網路在不同場景下的適用性，以及說明 SVR 在哪些條件下（高維、中等資料量、非線性）具有優勢。掌握核函數的概念也有助於解答涉及特徵映射的相關題目。

---

來源：https://aiterms.tw/terms/svr
快查頁：https://aiterms.tw/terms/svr
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-svr