La Regresión de Vectores de Soporte (SVR), que convierte el problema original de baja dimensionalidad en un problema lineal de espacio de kernel de alta dimensionalidad mediante la introducción de funciones de kernel, se ha aplicado con éxito en la modelización de sistemas. En cuanto al algoritmo clásico de SVR, se ha tenido en cuenta el valor de las características, mientras que su contribución a la salida del modelo se omite. Por lo tanto, la construcción del espacio de kernel puede no ser razonable. En el artículo se presenta una Regresión de Vectores de Soporte Ponderada por Características (FW-SVR). El rango de la característica se corresponde con su contribución al asignar adecuadamente el peso de las características de entrada en el preprocesamiento de datos. FW-SVR optimiza la distribución de los puntos de muestra en el espacio de kernel para hacer que la minimización del riesgo estructural sea más razonable. Se aplican cuatro conjuntos de datos sintéticos y siete conjuntos de datos reales. Se obtiene una capacidad de generalización superior con el método propuesto.