支持向量机回归算法的误差分析来源主要有以下几个方面：

1. 模型复杂度：支持向量机回归算法中的核函数和惩罚项参数等超参数的选择会影响模型的复杂度，过于复杂的模型容易出现过拟合现象，导致模型在训练集上表现良好但在测试集上表现较差。
2. 数据质量：支持向量机回归算法对数据的质量要求较高，如果数据存在噪声、缺失值或异常值等问题，会影响模型的性能。
3. 样本数量：支持向量机回归算法需要足够的样本数量来训练模型，如果样本数量过少，会导致模型的泛化能力较差。
4. 核函数选择：支持向量机回归算法中的核函数选择对模型的性能影响较大，不同的核函数适用于不同的数据类型和问题，选择不合适的核函数会导致模型的性能下降。
5. 惩罚项参数选择：支持向量机回归算法中的惩罚项参数C的选择也会影响模型的性能，C值过大会导致模型过于严格，C值过小会导致模型过于宽松，需要根据具体问题选择合适的C值。

综上所述，支持向量机回归算法的误差分析来源主要包括模型复杂度、数据质量、样本数量、核函数选择和惩罚项参数选择等方面。