原文章为scikit-learn中"用户指南"-->"监督学习的第三节：Kernel ridge regression"######
核岭回归（KRR） [M2012]是使用了核技巧与 岭回归（使用L2范数正则化的线性最小二乘法）结合而成。也因此它是学习由相应的核和数据的空间中的线性函数。对于非线性核，这对应原始空间中的非线性函数。
KernelRidge
模型被证明为是支持向量回归（SVR）的。然而，可以使用不同的损失函数：KRR使用平方误差损失而支持向量回归使用** ε不敏感损失** ，并且他们都结合了L2正规化。相比于** SVR，其使用封闭形式来拟合 KernelRidge
，并且对于中型数据集通常更快。在另一方面，因为经过学习后的模型是非稀疏的，所以在处理方面要比 SVR 慢，因为SVR在预测期间是在 ε > 0 情况下学习稀疏模型。
下面的图表比较了 KernelRidge
和 SVR **在一个人工数据集的预测，其份数据是由（符合）正弦函数的数据和每五个数据点中就加入强噪音组成的。在画出的 KernelRidge
和 ** SVR 模型图里，他们的复杂性/正则化和RBF核的频宽都已经通过网格搜索算法设置了最佳值。他们的学习函数十分相似，但是 KernelRidge
的拟合是近似的。（KRR）的拟合速度是拟合 SVR 的七倍（均使用了网格搜索）。然而在预测10万个目标值的时候只比 SVR **的拟合速度高出三倍，因为其只是使用了大概的稀疏模型。
在训练集中，每100个数据点中都有三分之一的数据为支持向量。
下一张图表比较了在不同的数据集规模中，KernelRidge
和 ** SVR 的拟合和预测耗时。在中等规模下的训练集（样本数量小于1000） KernelRidge
的拟合比起 SVR 要快；但是在大规模训练集时则是 SVR 要快。在预测时间方面，无论数据集有多大，SVR 要比 KernelRidge
快，因为其是使用了稀疏解。但是要注意的是，SVR 的稀疏度和预测时间都取决于其参数 ε 与 C 。当 ε = 0 **时会代表其是个密集模型。
引用
M2012. “Machine Learning: A Probabilistic Perspective” Murphy, K. P. - chapter 14.4.3, pp. 492-493, The MIT Press, 2012
（在尝试翻译这篇文档的时候难免会因为各种问题而出现错翻，如果发现的话，烦请指出，谢谢> <）
