SVR预测模型就是用机器学习的方法，把数据点画成一条线或曲线，让线尽量靠近所有点，然后根据这条线预测新数据。它特别适合数据量少的时候用，因为能记住所有数据点，遇到新情况就找最接近的那个点来猜。比如预测房价，SVR会记住过去每套房子的价格和特征，新房子和哪套最像，价格就参考哪套。

因为SVR可以处理非线性数据，而且数据量少的时候效果更好，所以适合做预测。比如数据量少的时候，SVR比普通回归模型准确率高，有研究说样本量500以下准确率能涨20%。像某电商公司用SVR预测销量，他们只有3年数据，用SVR后预测误差从15%降到8%。虽然计算起来慢点，但数据少的时候确实更准。比如他们10月测试，SVR预测的销售额和实际销售额差不到5%，而普通模型差了12%。这说明SVR在数据少的情况下，记住细节的能力更强。