支持向量机（SVM）是一种分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，学习策略是间隔最大化，最终可转化为一个凸二次规划问题的求解。包含三个由简至繁的模型：线性可分支持向量机、线性支持向量机、非线性支持向量机。学习支持向量机一个比较高效的方法是序列最小最优算法。

此代码将找出二维数据集的决策边界。 文件包含多个支持函数，主程序是 DecisionBoundary_SVMs.m 示例集包含线性和非线性数据集，使用带有 RGF 核的 SVM，我们将找出数据集的决策边界。

SVM骨灰级书籍。深度剖析SVM算法原理，中文版

初步了解支持向量机，支持向量机的入门程序，和用于肌电信号模式识别的入门程序。

支持向量机SVM和核函数的matlab程序集

《机器学习》课程支持向量机实验，包括详细的jupyter文件和解释，代码均成功运行。 机器学习支持向量机实验内容 一、实验内容 1.1 支持向量机的核函数 1. 了解核函数对 SVM 的影响 2. 绘制不同核函数的决策函数图像 3. 简述引入核函数的目的 1.2 支持向量机的软间隔 1. 了解分离超平面、间隔超平面与支持向量的绘制 2. 调整 C 的值，绘制分离超平面、间隔超平面和支持向量 3. 简述引入软间隔的原因，以及 C 值对 SVM 的影响 1.3 支持向量机的分类任务 1. 使用支持向量机完成 spambase 垃圾邮件分类任务 2. 使用训练集训练模型，计算测试集的精度，查准率，查全率，F1 值 1.4 支持向量机的回归任务 1. 使用支持向量机完成 kaggle 房价预测问题 2. 使用训练集训练模型，计算测试集的 MAE 和 RMSE 要求将结果写入到 markdown 的表格中！ 二、数据介绍 2.1 kaggle 房价预测数据集 文件名：

研究网络流量预测精度问题, 网络流量受多种因素的综合影响, 其变化具有周期性、非线性和随机性等特点, 将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势; 然后采用SVM对网络流量非线性和随机性趋势进行拟合; 最后将两者结果再次输入SVM进行融合, 得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试, 仿真结果表明, ARIMA-SVM提高了网络流量预测精度, 降低了预测误差, 能更全面刻画网络流量变化规律。

在机器学习领域，支持向量机SVM(Support Vector Machine)是一个有监督的学习模型，通常用来进行模式识别、分类(异常值检测)以及回归分析。 其具有以下特征：    (1)SVM可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。   (2) SVM通过最大化决策边界的边缘来实现控制模型的能力。尽管如此，用户必须提供其他参数，如使用核函数类型和引入松弛变量等。   (3)SVM一般只能用在二类问题，对于多类问题效果不好。 代码及详细解释(基于sklearn包)：

本文档力求直白地介绍支持向量机SVM，其中用到的很多例子都是网上经典的SVM例子。文档适合小白入门学习使用，其中涉及的数学知识也尽可能用朴实的语言带过。希望对这方面的入门学习爱好者有帮助。

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（ PSO）算法和支持向量机（ SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量;其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数;然后利用最优参数优化花粉浓度预测模型;最后，使用优化后的模型对花粉未来24h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（ BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。