传统的支持向量机(SVM)算法在数据不均衡的情况下,分类效果很不理想。为了提高SVM算法在不均衡数据集下的分类性能,提出随机下采样与SMOTE算法结合的不均衡分类方法。该方法首先利用随机下采样对多数类样本进行采样,去除样本中大量重叠的冗余样本,使得在减少数据的同时保留更多有用信息;而对少数类样本则是利用SMOTE算法进行过采样。实验部分将其应用在UCI数据集中并同其他采样算法比较,结果表明文中算法不但能有效提高SVM算法在不均衡数据中少数类的分类性能,而且总体分类性能也有所提高。

用于脑电信号分析的matlab算法，对数据进行PCA处理及SVM分类。

机器学习中的多示例包层次SVM分类算法 【核心代码】Bag_KI_SVM.m KI-SVM ├── Bag KI-SVM │ ├── Bag_KISVM_prediction.m │ ├── Bag_KI_SVM.m │ ├── Find_y.m │ ├── Find_y_linear.m │ ├── Max_Violated_y_set.m │ ├── Readme.htm │ ├── celltomatrix.m │ ├── genIndex.m │ └── normalization_gaussian.m ├── Instance KI-SVM │ ├── Find_y.m │ ├── Find_y_linear.m │ ├── Inst_KISVM_prediction.m │ ├── Inst_KI_SVM.m │ ├── Max_Violated_y_set.m │ ├── Readme.htm │ ├── celltomatrix.m │ ├── genIndex.m │ └── normalizat

这是一个很好的SVM分类算法，可以对要进行分类的特征进行识别。

SVM有如下特征：（1）SVM学习问题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。（2）SVM通过最大化决策边界的边缘来控制模型的能力。（3）通过对数据中每个分类属性引入一个哑变量，SVM可以应用与分类数据。(4)SVM不仅可以用在二类问题，还可以很好的处理多类问题。 本代码通过C++实现SVM的分类算法，并通过SSE实现最优解的快速计算，学习SVM的同学可以参考一下，如有不足，请指正。

简单易懂SVM算法C++实现代码,有助于初学者熟悉SVM的公式推导，程序流程，，，，，，，，，，，，，，，，，，，，，，，，

内含SVM示例程序，以基于乳腺组织电阻抗特性的乳腺癌诊断为示例，具体程序注释

基于SVM的手写数字分类 (python实现)代码+数据.rar

经典SVM分类算法A Tutorial on Support Vector Machines for Pattern

压缩包中包括SVM分类算法的实现代码、测试数据以及实验报告