可能并不完全相等。具体形式为：
（5）
假设对于给定的训练数据，用线性函数拟合数据，用（5）式作为损失函数，那么就产生了对回归的支持向量估计。通过使回归函数尽可能的平坦来控制函数的复杂性，并综合考虑拟合误差，可以得到线性回归估计的优化问题。然后利用Lagra
ge乘子法结合KKT条件，最终确定对应的决策函数形式为：
（6）
与分类情况下类似，线性SVR可以通过引入核函数推广到高维空间中，然后求解优化问题在高维空间中构造决策超平面。
2仿真实验
21数值实验
f龙源期刊网httpwwwqika
comc
（1）实验数据源于1936年费希尔发表的一篇重要论文。彼时收集了三种鸢尾花的花萼和花瓣数据，包括花萼的长度和宽度，花瓣的长度和宽度。其中包含150个样本，每类样本50个。我们根据这四个特征来建立SVM模型实现对三种鸢尾花的分类判别任务。对分类结果可视化，如图1所示。从图中可以看到，鸢尾花中的setosa类别同其他两种区别较大，而剩下的两种类别相差很小，甚至存在交叉难以区分。
（2）随机生成一组对数序列，然后采用SVR方法进行拟合，所得实验结果如图2所示。其中红线表示真值，蓝线表示拟合所得的结果，对比可以看出SVR回归的误差非常小，几乎是反映样本数据的最优函数关系。
22结论
SVM是一种有坚实理论基础的新颖的小样本学习方法，实现了高效的从训练样本到预报样本的推理。SVM的最终决策函数只由少数的支持向量所确定，而不是样本空间的维数，在某种意义上避免了“维数灾”。而且该方法不但算法简单，而且具有较好的“鲁棒”性。因此，近年来SVM方法已经在图像识别、信号处理和基因图谱识别等方面得到了成功的应用。
参考文献
1李晓宇，张新峰，沈兰荪支持向量机（SVM）的研究进展J测控技术，2006，25（5）：712
2梁燕SVM分类器的扩展及其应用研究D湖南大学，2008
3刘靖旭支持向量回归的模型选择及应用研究D国防科学技术大学，2006
4陈永义，俞小鼎，高学浩等处理非线性分类和回归问题的一种新方法（Ⅰ）支持向量机方法简介J应用气象学报，2004，15（3）：345354
5ScholkopfB，BurgesChJCa
dSmolaAJ，editedAdva
cesi
Ker
elMethodsSupportVectorLear
i
gMITPress，Cambridge，1999
fr