迴歸問題的本質其實就是找到一根直線也好曲線也好，能夠最佳程度擬合我們的資料點，在這裡，怎樣定義擬合其實就是迴歸演算法的關鍵。比如說我們之前學過的線性迴歸演算法定義擬合的方式，就是讓我們的資料點到我們預測的直線相應的MSE的值最小，而對於SVM演算法的思路來說，對擬合的定義是另外一個定義。

    這個定義是這樣的， 我們要指定一個margin值，可以回憶一下之前用SVM解決分類問題時在決策邊界上下有一個margin值，那麼用SVM解決迴歸問題時同樣也是有一個margin值的，只不過這回歸問題中，我們期望的是在這個margin範圍裡，我們可以包含進的樣本資料點越多越好，如果在margin範圍內的資料點越多，就代表我們的這個範圍能夠比較好的來表達樣本資料點，在這種情況下，我們取中間的直線作為迴歸結果，用它來預測未知點相應的y的值。

    或者說我們使用SVM解決迴歸問題和我們用SVM解決分離問題是一個相反的思路，我們在使用SVM解決分類問題時，希望margin範圍內的值越少越好，在極端情況hard margin時，要求margin範圍內一個點都不能有，但是對於解決迴歸問題來說，恰恰相反，我們希望的是在margin範圍裡，樣本點越多越好。

    在我們具體訓練SVM迴歸問題結果時，我們是對margin範圍進行指定，所以在這裡，我們要引入一個超引數，用來指定上下兩根直線中任意一根直線到中間直線的距離。

    這就是用SVM解決迴歸問題相應的直觀的想法，希望大家已經理解了這個思路。