Koeficienty w zde odpovídají regresním koeficientům lineárního modelu, b je absolutní člen. Parametr ε je pološířka pásu, v němž očekáváme správné hodnoty y_i, lze tedy ε chápat jako nejvyšší přípustnou absolutní chybu. Takto definované regresní kritérium vede mimochodem i k nastavitelné robustnosti regresního modelu, který se snaží „dostat“ co nejvíce dat do pásu f(x) +- ε, proto je SVM regrese vhodná také pro data znečištěná hrubými chybami měření, odlehlými hodnotami y a podobně. Čím je vyšší koeficient ztráty C, tím vyšší je penalizace za překročení absolutní odchylky ε, případně podílu ν. Podobně jako v předchozím odstavci lze rovněž zavést alternativní vyjádření kritéria SVM-R s parametrem ν (0<ν<1), který přibližně odpovídá očekávanému maximálnímu podílu korektních bodů, tedy dat, která odpovídají očekávanému modelu, který se získá vázanou minimalizací vzhledem k w, b, ξ, ξ*, ε výrazu
Regresní model SVM lze pak využít také pro predikci očekávané hodnoty závisle proměnné pro nové známé hodnoty nezávisle proměnných. Na rozdíl od klasické regrese nemá tento odhad nutně charakter odhadu střední hodnoty ve smyslu statistického momentu.