通过使用lssvm对葡萄酒数据集进行分类然后使用lssvm工具箱，哈哈。1) 同样是对原始对偶问题进行求解，但是通过求解一个线性方程组（优化目标中的线性约束导致的）来代替SVM中的QP问题（简化求解过程），对于高维输入空间中的分类以及回归任务同样适用；   2) 实质上是求解线性矩阵方程的过程，与高斯过程（Gaussian processes），正则化网络（regularization networks）和费雪判别分析（Fisher discriminant analysis）的核版本相结合；   3) 使用了稀疏近似（用来克服使用该算法时的弊端）与稳健回归（稳健统计）；   4) 使用了贝叶斯推断（Bayesian inference）；   5) 可以拓展到非监督学习中：核主成分分析（kernel PCA）或密度聚类；   6) 可以拓展到递归神经网络中。

葡萄酒数据集， 基于Wine数据集的数据分析报告 R语言+实验结果文档

监督分类_DT_GaussianNB 使用决策树和高斯朴素贝叶斯对葡萄酒数据集进行分类

机器学习数据预处理葡萄酒数据集wine_data.csv，标准化，归一化

包括wine.data和wine.names，数据分析书籍上经典数据集

压缩文件包含有winequality-red、winequality-white数据集

UCI网站上的机器学习样本数据集，包含了13个不同的特征，对178个葡萄酒数据样本的化学特征做出了描述，包含了列表，是一个csv表格。

数据集包含来自3种不同起源的葡萄酒的共178条记录。13个属性是葡萄酒的13种化学成分。通过化学分析可以来推断葡萄酒的起源。值得一提的是所有属性变量都是连续变量。

葡萄酒数据集，原始数据，三类别，分别含59、71、48个样本。zip内含描述文件。

葡萄酒数据集，二元分类。共130个样本，分别为59+71个。用于SVM、贝叶斯等验证。