SVM的算法是很versatile的，在回歸領域SVM同樣十分出色的。而且和SVC類似，SVR的原理也是基於支持向量（來繪制輔助線），只不過在分類領域，支持向量是最靠近超平面的點，在回歸領域，支持向量是那些距離擬合曲線（回歸的目標函數/模型是擬合曲線）。
上圖我們看到還有一個變量，是ϵ，ϵ決定了街道的寬度，它是擬合曲線和支持向量的距離。在svr的實現原理上，定義的損失函數是：
|yi−w∙ϕ(xi)−b|≤ϵ，則損失為0，因為落在了街道里面；
|yi−w∙ϕ(xi)−b|>ϵ，則損失函數值為|yi−w∙ϕ(xi)−b| - ϵ（即outlier到支持線的距離）
所以從損失函數的定義來看，其實還hinge loss要么是0，要么是距離值，只不過class的距離是到y值為1的點，而regression則是到y值為ϵ的點。
svr也是支持松弛變量，其原理和svm是一樣的，只不過svc的符合松弛變量的點是在街道里面，到了svr，松弛變量對應的點是在街道的外面，通過松弛變量的指定來增加泛華。