可以，SVM是判断回归f(x)==y的时候才预测准确，计算损失函数；
回归支持向量SVR是|f(x)-y|<alpha的时候就认为预测准确了。
SVM是线性分类器，但是遇到线性不可分的时候就需要映射到高维（特征空间）就线性可分了。实现这个过程就需要核函数。
核函数是在低维上进行计算，将分类效果展示在高维。
线性核函数
多项式核函数
高斯核函数（径向基核函数）
sigmoid核函数
lightGBM是Xgboost的更高实现，微软发布的。
Xgboost处理的问题时决策树训练时特征值排序浪费时间的问题。Xgboost在训练之前先将数据进行排序，这些排序好的数据组成一个个block。在节点分裂时，需要计算每个特征值的增益，然后找到最大增益的特征做分裂。这些block使得各个特征的增益能够多线程计算。
lightGBM主要是在上述的模型下进行改进。主要改进有两点，一是在不牺牲计算速度的情况下，尽可能发挥内存的最大使用率；二是减小通信代价，提高多线程运行的速度和效率。主要计数手段是并行方案改进、基于梯度的单边检测（GOSS）、排他性特征捆绑。
决策树是最简单的分类机器学习算法，其包括根节点（样本全集）、内部节点（样本的特征）、叶节点（决策结果）。决策树执行时，根据某个属性判断根节点里面的数据该进入哪个叶节点，一直到最后一个叶节点给出分类结果。是if-then-else规则的有监督学习算法。
信息增益=信息熵-条件熵
信息熵