我使用python scikit的SVR得到了一个线性回归--学习数据不是线性的时候。

SVR（Support Vector Regression）是一种基于支持向量机（SVM）的回归算法，用于解决非线性回归问题。与传统的线性回归算法不同，SVR可以处理非线性的学习数据。

SVR的基本思想是将输入数据映射到高维特征空间，通过寻找最优超平面来进行回归。它通过引入核函数来实现非线性映射，将输入数据从原始空间映射到特征空间，从而使得在特征空间中的线性回归成为可能。

SVR的优势在于可以处理非线性的学习数据，并且对于异常值具有较好的鲁棒性。它能够通过调整超参数来灵活地适应不同的数据分布，从而提高回归模型的准确性。

SVR的应用场景包括但不限于金融预测、股票市场分析、医学数据分析等领域。在金融预测中，SVR可以用于预测股票价格、外汇汇率等金融指标。在医学数据分析中，SVR可以用于预测疾病发展趋势、药物剂量优化等。

腾讯云提供了多个与机器学习相关的产品，其中包括腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）和腾讯云人工智能开放平台（https://cloud.tencent.com/product/ai）等。这些产品提供了丰富的机器学习算法和工具，可以帮助开发者快速构建和部署机器学习模型。

在腾讯云机器学习平台中，您可以使用腾讯云提供的机器学习算法库和开发工具，如TensorFlow、PyTorch等，来实现SVR算法。同时，腾讯云还提供了强大的计算资源和分布式训练能力，可以加速模型训练和推理过程。

总结起来，SVR是一种用于解决非线性回归问题的算法，适用于处理非线性的学习数据。腾讯云提供了丰富的机器学习产品和工具，可以帮助开发者实现SVR算法并加速模型训练和推理过程。