La régression à vecteur de support est une méthode statistique puissante d'apprentissage automatique qui nous permet de saisir la relation entre un ensemble de covariables et une variable de réponse. D'autre part, les méthodes d'estimation par rétrécissement jouent un rôle important dans les modèles statistiques à des fins diverses, telles que la sélection des variables et les problèmes de surajustement. En tant que techniques d'estimation biaisée, les méthodes de réduction améliorent l'estimation des paramètres en contraignant l'espace des paramètres dans un modèle restreint. Dans cette recherche, au moyen d'un cadre probabiliste, nous développons diverses méthodes de rétrécissement dans des contextes de petite et grande dimension pour la régression à vecteur de support en utilisant les conditions de Karush-Kuhn-Tucker. Nous évaluons les performances des régressions à vecteur de support par rétrécissement développées à l'aide d'études numériques approfondies. Enfin, nous appliquons les méthodes conçues à des exemples de données réelles.