SVM方法是通過一個非線性映射p，把樣本空間映射到一個高維乃至無窮維的特征空間中(Hilbert空間)，使得在原來的樣本空間中非線性可分的問題轉化為在特征空間中的線性可分的問題.簡單地說，就是升維和線性化.升維，就是把樣本向高維空間做映射，一般情況下這會增加計算的復雜性，甚至會引起維數災難，因而人們很少問津.但是作為分類、回歸等問題來說，很可能在低維樣本空間無法線性處理的樣本集，在高維特征空間中卻可以通過一個線性超平面實現線性劃分(或回歸).一般的升維都會帶來計算的復雜化，SVM方法巧妙地解決了這個難題:應用核函數的展開定理，就不需要知道非線性映射的顯式表達式;由于是在高維特征空間中建立線性學習機，所以與線性模型相比，不但幾乎不增加計算的復雜性，而且在某種程度上避免了維數災難.這一切要歸功于核函數的展開和計算理論.
支持向量機(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，并能夠推廣應用到函數擬合等其他機器學習問題中。
回歸分析是廣泛應用的統計分析方法，可用于分析自變量和因變量的影響搞關系（通過自變量求因變量），也可以分析自變量對因變量的影響方向（正影響還是負影響）。回歸分析的主要應用場景是進行預測和控制，例如計劃制定，KPI制定，目標制定等，也可基于預測數據與實際數據進行比對和分析，確定事件發展程度并給未來行動提供方向性指導。
