接着上一篇博文《机器学习人工智能算法——支持向量机（Support Vector Machine, SVM）》的内容，我们来聊一聊如何使用SVM的思想解决回归问题。
回归问题的本质其实就是找到一根直线也好曲线也好，能够最佳程度拟合我们的数据点，在这里，怎样定义拟合其实就是回归算法的关键。比如说我们之前学过的线性回归算法定义拟合的方式，就是让我们的数据点到我们预测的直线相应的MSE的值最小，而对于SVM算法的思路来说，对拟合的定义是另外一个定义。
这个定义是这样的， 我们要指定一个margin值，可以回忆一下之前用SVM解决分类问题时在决策边界上下有一个margin值，那么用SVM解决回归问题时同样也是有一个margin值的，只不过这回归问题中，我们期望的是在这个margin范围里，我们可以包含进的样本数据点越多越好，如果在margin范围内的数据点越多，就代表我们的这个范围能够比较好的来表达样本数据点，在这种情况下，我们取中间的直线作为回归结果，用它来预测未知点相应的y的值。
或者说我们使用SVM解决回归问题和我们用SVM解决分离问题是一个相反的思路，我们在使用SVM解决分类问题时，希望margin范围内的值越少越好，在极端情况hard margin时，要求margin范围内一个点都不能有，但是对于解决回归问题来说，恰恰相反，我们希望的是在margin范围里，样本点越多越好。
在我们具体训练SVM回归问题结果时，我们是对margin范围进行指定，所以在这里，我们要引入一个超参数，用
来指定上下两根直线中任意一根直线到中间直线的距离。
这就是用SVM解决回归问题相应的直观的想法，希望大家已经理解了这个思路。