Seperti yang telah disebutkan di awal modul, selain bisa untuk masalah klasifikasi, support vector juga bisa dipakai untuk prediksi data kontinu yaitu kasus regresi.
Support Vector Regression (SVR) menggunakan prinsip yang sama dengan SVM pada kasus klasifikasi. Perbedaannya adalah jika pada kasus klasifikasi, SVM berusaha mencari ‘jalan’ terbesar yang bisa memisahkan sampel-sampel dari kelas berbeda, maka pada kasus regresi SVR berusaha mencari jalan yang dapat menampung seluruh sampel.
Berbeda dengan SVM dimana support vector adalah 2 sampel dari 2 kelas berbeda yang memiliki jarak paling dekat, pada SVR support vector adalah sampel yang menjadi pembatas jalan yang dapat menampung seluruh sampel pada data. Ilustrasi dari SVR dapat anda lihat di bawah.
SVR untuk klasifikasi non-linier
Support vector regressor juga dapat dipakai untuk masalah regresi non linier. Pada kasus regresi non linier, SVR menggunakan trik kernel seperti gambar di bawah, untuk mengubah data ke dalam dimensi yang lebih tinggi sehingga data dapat dipisahkan secara linier.
Untuk membaca lebih lanjut mengenai support vector regression, Anda bisa mengunjungi tautan berikut