自己制作的支持向量机PPT，用于日常学习分享，欢迎大家下载交流，配套的文章在本人的博客上。适合课题分享、小组交流、科普机器学习。

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。