该文档是模式识别中用近邻函数法进行聚类与分类的一个完整的实验，包括原理，原始数据，结果分析。在文章最后附上作者使用的源代码（matlab版本），亲测2014a正常运行

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。

贷款违约数据集含有 年龄、教育、工龄、地址、收入、负债率、信用卡负债、其他负债以及违约情况的字段。通过各特征来判断用户的违约情况。用到的技术模型如下 逻辑回归 面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，然后测试验证我们这个求解的模型的好坏。 k近邻法（k-nearest neighbor，k-NN） 一种基本的分类和回归方法，是监督学习方法里的一种常用方法。k近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例类别，通过多数表决等方式进行预测。 决策树 一种基于树结构来进行决策的分类算法，我们希望从给定的训练数据集学得一个模型（即决策树），用该模型对新样本分类。决策树可以非常直观展现分类的过程和结果，一旦模型构建成功，对新样本的分类效率也相当高。 SVM(Support Vector Machine) 中文名为支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。 模型评估 可以根据混淆矩阵。得到其Accuracy准确率以及F1 score

HOG+SVM 图像二分类

随着可穿戴医疗的发展，一些研究人员更加关注可穿戴血压的估算。 通常，光电容积描记术（PPG）信号用于提取特征以进行回归分析。 然而，尽管可以在该领域中应用许多回归方法（例如，线性回归，ANN，SVR等），但是如何提高血压预测的准确性仍然是一个大问题。 本文基于模式分类，首先提出了一种血压估计方法。 与以前的回归分析相比，血压的不同范围分为不同的类别。 然后根据提取的特征将信号分类为相应的类别。 可以通过找到间隔中值来获得血压值。 实验表明，分类的思想可以实现血压预测的更高准确性。

MATLAB实现PSO-BP粒子群优化BP神经网络多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入12个特征，分四类。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

成人与儿童分类数据集（800张图片，测试数据集包含120张图片，训练数据集包含680张图片，图像分辨率为370x320像素的RGB彩色模型。） 成人与儿童分类数据集（800张图片，测试数据集包含120张图片，训练数据集包含680张图片，图像分辨率为370x320像素的RGB彩色模型。）

披萨分类数据集，这个数据集包含大约1000张比萨的图片和1000张比萨以外的其他菜肴的图片。 披萨分类数据集，这个数据集包含大约1000张比萨的图片和1000张比萨以外的其他菜肴的图片。 披萨分类数据集，这个数据集包含大约1000张比萨的图片和1000张比萨以外的其他菜肴的图片。

手提包分类数据集，它包含5种不同类型的手提包，包括：背包迷你、带包、大包、肩包、大手提袋，每个类别(即手提包类型)包含550张图片，所有类别的图片数量相等。 手提包分类数据集，它包含5种不同类型的手提包，包括：背包迷你、带包、大包、肩包、大手提袋，每个类别(即手提包类型)包含550张图片，所有类别的图片数量相等。

10类水果分类数据集（10类苹果，猕猴桃，香蕉，樱桃，橘子，芒果，鳄梨，菠萝，草莓，。每类超过200张图片） 10类水果分类数据集（10类苹果，猕猴桃，香蕉，樱桃，橘子，芒果，鳄梨，菠萝，草莓，。每类超过200张图片）