在线学习算法不局限于分类问题。内核adatron算法的更新规则还建议了创建优化的在线版本的通用方法。
使核adatron算法的第一次更新等价于αi←αi +∂W(α)∂αi，使其成为一个简单的梯度上升算法，增加了修正，以确保满足额外的约束。例如，如果我们将相同的方法应用于支持向量回归算法的线性ε-不敏感损失版本。金宝app
支持向量机和支持向量回归作为支持向量机的一部分，其金宝app优点之一是可以避免在高维特征空间中使用线性函数的困难，将优化问题转化为对偶凸二次规划。在回归的情况下，损失函数是用来惩罚误差大于阈值。这样的损失函数通常会导致决策规则的稀疏表示，从而具有显著的算法和表示优势。

参考:
模式分析的核方法john Shawe-Taylor & Nello Cristianini
http://kernelsvm.tripod.com/