SVG和SVC（支持向量机）都是机器学习中经典的算法，在诸多应用中发挥着非常重要的作用。



一、SVG与SVC概述

（1）SVG是"支持向量回归"（Support Vector Regression）的简称，是“支持向量机”（SVM）的变体，也被称为SVR。它是建立在SVM特征空间技术和结构风险最小化的基础上的一种机器学习模型。基本原理是利用最优化方法求解最大间隔支持向量回归。

（2）SVC是"支持向量机"（Support Vector Classifier）的简称，是一种基于支持向量机的监督学习算法，是机器学习算法中有代表性的算法。基本原理是根据已知的训练数据，通过最优化求解模型参数，使得模型最大限度地拟合已知的训练数据。

二、SVG与SVC作用对比

（1）SVG在处理回归问题时十分有效，它尝试将一组离散数据拟合给定的函数，它弥补了普通线性回归不能解决复杂实际问题的缺点，特别是非线性问题时，SVR的表现比普通线性回归更好。

（2）SVC主要运用在分类问题上，它的好处是可以以低维的决策边界映射到高维特征空间，从而能将复杂的类划分问题转换为高斯核函数的计算问题，解决了决策树不能处理非均衡数据、神经网络容易过拟合，计算较慢等问题。

三、SVG与SVC区别

（1）从功能上来看，SVG处理回归问题，而SVC处理分类问题。由于两者使用的核函数不同，SVG使用P因子，而SVC使用高斯核函数，两者的输出也不同。

（2）从运行结果的考虑，SVG的结果是连续的，以拟合度和错误为目标估计结果；而SVC的结果是离散的，以准确率为目标估计结果。

（3）从计算速度来看，SVC由于使用高维空间，当参数维数较高时，计算量较大，而SVR因为只有一个参数，所以计算量较小。

综上，SVG和SVC是机器学习中经典而有效的算法，但它们各有特色，可以有效解决不同的实际问题，在诸多领域中大显身手。