# 回归问题的本质：找到一条直线或者曲线，最大程度的拟合数据点；
# 怎么定义拟合，是不同回归算法的关键差异；
# 线性回归定义拟合方式：让所有数据点到直线的 MSE 的值最小；
# SVM 算法定义拟合的方式：在距离 Margin 的区域内，尽量多的包含样本点；
# SVM 解决回归问题的思路与解决分类问题的思路相反，解决分类问题时，希望 Margin 区域内没有样本点或者样本点尽可能的少；
# SVM 的思路解决回归问题：
# 1）在 Margin 区域内的样本点越多，则 Margin 区域越能够较好的表达样本数据点，此时，取 Margin 区域内中间的那条直线作为最终的模型；用该模型预测相应的样本点的 y 值；
# 2）在具体训练 SVM 算法模型解决回归问题时，提前指定 Margin 的大小，算法引入的超参数：ε，表示 Margin 区域的两条直线到区域中间的直线的距离，如图：
# LinearSVC、SVC、LinearSVR、SVR ：
# LinearSVC：使用线性 SVM 的思路解决分类问题；
# SVC：使用非线性 SVM 的思路解决分类问题；（多项式核、高斯核）
# LinearSVR：使用线性 SVM 的思路解决回归问题；
# SVR：使用非线性 SVM 的思路解决回归问题；（使用不同的核函数）