对于一般的回归问题，我们想给出训练样本d={(x1，y1 )，x2，y2 )，xn，yn，yir，学习f ) x，尽量接近y。 w、b是应该确定的参数。 在该模型中，只有当f(x )和y完全相同时损耗才为零，但要支持向量回归，假设我们可以接受的f(x )和y之间存在最大偏差，并且只有当f(x )和y之差的绝对值大于时才损失在这种情况下，这相当于围绕f(x )构建宽2的分隔带，如果训练样本进入该分隔带(隔离带两侧的松弛程度可能不同)
因此，SVR问题可以变换为(下式的左部为正则化项) )。
l是损失函数
因此，引入松弛因子并改写第一个表达式时：
最后引入拉格朗日乘子，得到拉格朗日函数：
如果对4个扫描求偏导数，使偏导数为零，就可以得到
引入上式，就可以求出SVR的对偶问题
上面的流程必须满足KKT条件。 也就是说
最后，SVR的解是
但是b是