本節課主要介紹了 SVR，先通過 representer theorem 理論，將 ridge regression 轉化為 kernel 的形式，即 kernel ridge regression，並推導了 SVR的解法。但是得到的解法是 dense 的，大部分為非零值。所以，定義新的 tube regression，使用 SVM 的推導方法，來最小化 regularized tube errors，轉化為對偶形式，得到了 sparse 的解法。 影片內容 pdf： https://www.csie.ntu.edu.tw/~htlin/course/mltech17spring/doc/206_handout.pdf extended reading： 1.SVM versus Least Squares SVM (Ye and Xiong) http://proceedings.mlr.press/v2/ye07a/ye07a.pdf 2.A Tutorial on Support Vector Regression (Smola and Scholkopf) http://www.svms.org/regression/SmSc98.pdf