Perface
這裡就不講從SVM到SVR了，因為知道SVR怎麼回事後，回過頭便知道SVM其中道理；
工作中的一些心得總結，所有論述均脫敏過，與工作中的專案，技術，專利均無關；
歡迎各位多多指教。

下面按照該演算法的演進思路逐步鋪開闡述，由於涉及較多數學，難免會有大量公式推導，下文將會盡量從應用的角度來說明，
讓理論更加通俗易懂，所有參考書籍，論文均會在文末貼出，如若有何錯誤，侵權之處，敬請告知。

                             目錄
SVM的些許背景
1、SVR相關理論 
  1.1、核對映
    1.1.1、什麼是核對映？
    1.1.2、核對映是如何引入到SVR裡？
    1.1.3、核函式的輸出是什麼？
    1.1.4、擴充套件：如何構造一個有用的核（一個有用的核應該滿足的條件）？
  1.2、SMO（Sequential Minimal Optimization）演算法
  1.3、SVR整體把握
  1.4、SVR的輸入輸出
2、SVR的應用與實現
 

SVM的些許背景

     上圖是關於SVM，不得不提的三個前輩：
     圖左一是Vapnik，（前蘇聯/現俄羅斯），在蘇聯解體前一年到貝爾實驗室，在其任職期間，提出了著名的SVM演算法，當時其主要將其用於手寫字的分別識別，現在Vapnik博士被facebook AI招至麾下，展開又一輪的AI研究。
    圖中間John C. Platt，如果說Vapnik是一個開創者，那麼Platt無疑是一個重要的推動者，由於當時Vapnik提出SVM後，涉及到一些kernel trick，而當時業界普遍的做法是QP（quadratic programming）問題求解，其計算速度，佔用資源限制了其在大樣本中的應用，雖然當時已有的一些方法（Chunking、Osuna等）旨在克服該些問題，當仍為達到理想的效果，98年時，Platt首次提出了SMO（Sequential Minimal Optimization）演算法，極大地克服了SVM在大樣本中的計算問題，為此Platt也時非常值得歷史銘記的一個前輩。
    圖右一時臺大的林智仁教授，如果說Platt是將Vapnik的SVM從學術推向工業，那麼Chih-Jen Lin 則是將其從複雜工程推向了普通人應用，其開發出的LIBSVM包，完全是面向了普通的使用者使用，其有多種語言的實現包括（java、MATLAB、R、CUDA、python等）
    作為一個後人，還有很多關於SVM的前輩值得銘記，在此謹通過以上三位前輩，對所有為SVM的發展而努力的人致以崇高的敬意。

1、SVR相關理論

1.1、核（kernel）對映

關於核的對映，在SVM/SVR裡可謂巧奪天工，如果沒有核這種思想的引入，那麼SVM/SVR就是一種加了距離限制的percetion learning algorithm（感知機：關於PLA，有興趣的可百度，之後有時間再討論這個）。

在SVR裡，關於核對映需要知道的幾點：

1.1.1、什麼是核對映？
準確來說，核函式在大多數機器學習裡應該是一種技巧（trick，大部分論文裡都是這麼稱呼，kernel trick），所以也不應該被過分神話，這種技巧巧在我們無須明確指定核對映的具體形式，便可直接做卷積。
那麼，什麼是核對映（mapping function），通常有三種對映，1是在不增減維度的情況下做變換，2是涉及到維度的增減，3是兩種都包含.舉個例子，假設對映函式Ψ

1.1.2、核對映是如何引入到SVR裡？

1.1.3、核函式的輸出是什麼？

1.1.4、擴充套件：如何構造一個有用的核（一個有用的核應該滿足的條件）？

1.2、SMO（Sequential Minimal Optimization）演算法

1.3、SVR整體把握

1.4、SVR的輸入輸出（如何部署問題）

2.SVR的應用（迴歸與多分類問題）

待整理….