Covid-19-LSTM-XGBR-SVR Covid-19 Corona病毒病例预测因子 背景 白宫科学技术政策办公室（OSTP）召集了一个联盟研究小组和公司（包括Kaggle）来准备COVID-19开放研究数据集（CORD-19），以尝试解决有关COVID-19的关键开放科学问题。 这些问题来自美国国家科学，工程和医学研究院（NASEM）和世界卫生组织（WHO）。 挑战 Kaggle正在发起伴随COVID-19预测挑战，以帮助回答部分NASEM / WHO问题。 尽管挑战涉及按地区预测4月1日至4月30日之间确诊的病例和死亡人数，但主要目标不仅是提供准确的预测。 还可以识别似乎影响COVID-19传输速率的因素。 鼓励您引入，整理和共享可能有用的数据源。 如果您发现变量似乎影响传输速率，请在笔记本中分享您的发现。 当数据可用时，我们将根据约翰·霍普金斯大学系统科学与工程中心（J

MATLAB支持向量机代码，用于预测优化等等

该代码基于Python3

河钢数字信达，热风炉SVR建立回归模型SVMcgForRegress和预测模型svmpredict，内含现场数据。勿做商用。违规必究。

支持向量回归算法代码，部分数据作为训练数据，使用测试数据对模型进行测试。

对收集到测井数据进行去除异常值、插值、标准化、独热编码等数据预处理，分别得到预测储层物性的回归数据及识别储层含油气性的分类数据。 为了预测储层物性孔隙度，本文构建了SVM支持向量机回归模型，并对该网络的BoxConstraint和KernelScale等关键指标进行超参数调整。基于上述模型，采用留一法交叉验证将单个井作为测试集，其余不包含该井的测井数据作为训练集，以此来分析单个井的孔隙度预测结果。 对影响因素数据（除去取值深度）进行主成分分析（PCA），将第一主成分和第二主成分作为SVM支持向量机模型的输入向量序列，以六类流体性质（含油水层、差油层、干层、水层、油层及油水同层）作为标签形成输出向量序列。由于典型的SVM支持向量机只能处理二分类问题，因此本文分别构建了六个SVM分类器。并且利用混淆矩阵、ROC曲线及AUC面积来衡量以上分类模型的性能。 适用方向：统计学及机器学习算法（SVM）的实例应用 关键词：SVM支持向量机；留一法交叉验证；主成分分析；matlab

构建基于改进灰狼优化算法，可以优化SVR

SVR python实现

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运行结果

粒子群算法+优化支持向量机SVM+回归预测SVR+matlab源代码