본 논문은 Support Vector Machine (SVM) 예측에서의 불확실성 정량화(UQ), 특히 회귀 및 예측 작업에 대해 탐구합니다. 신경망과 달리 SVM 솔루션은 일반적으로 더 안정적이고, 스파스하며, 최적이고 해석 가능합니다. 하지만 SVM 예측에서 UQ를 다룬 문헌은 거의 없습니다. 본 논문에서는 먼저 기존 SVM 프레임워크에서 개발된 예측 구간(PI) 추정 및 확률적 예측 방법을 종합적으로 요약하고, 이상적인 PI 모델에서 기대되는 주요 특성과 비교 평가합니다. 기존 SVM PI 모델 중 스파스 솔루션을 달성하는 모델이 없음을 발견하고, 스파스성을 도입하기 위해 선형 프로그램 쌍을 풀어 PI 및 확률적 예측을 구성하는 Sparse Support Vector Quantile Regression (SSVQR) 모델을 제안합니다. 또한 고차원 데이터셋에서 PI 품질을 향상시키면서 많은 수의 특징을 효과적으로 제거하는 SSVQR을 사용한 PI 추정을 위한 특징 선택 알고리즘을 개발합니다. 마지막으로 유한한 테스트 세트 보장을 가진 더 안정적인 예측 집합을 얻기 위해 Conformal Regression 설정에서 SVM 모델을 확장합니다. 인공 및 실제 세계 벤치마크 데이터셋에 대한 광범위한 실험을 통해 기존 및 제안된 SVM 기반 PI 추정 방법의 다양한 특성을 비교하고, PI 추정에서 특징 선택의 이점을 강조합니다. 또한 벤치마크 데이터셋에서 확률적 예측 작업에 대해 기존 및 제안된 SVM 기반 PI 추정 모델을 최신 딥러닝 모델과 비교합니다. 실험 결과, SVM 모델은 확률적 예측 작업에서 최신 복잡한 딥러닝 모델과 비교할 만하거나 우수한 성능을 보여줍니다.
