机器学习 原创文章每月最少两篇文章，后续最新文章会在首发，视频首发，大家可以加我进交流群，技术交流或提意见都可以，欢迎星级！ 文章首发声明 文章在自己的个人网站首发，其他平台文章均属转发，如想获得最新更新进展，欢迎关注我的个人网站： ://cuijiahua.com/ 第二章：kNN（k-邻域算法） 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（一）：k-近邻算法（史诗级干货长文） 代码 第三章：决策树（决策树） 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（二）：方法树基础篇之让我们从相亲说起 Python3《机器学习实战》学习笔记（三）：决策树实战篇之为自己配个隐形眼镜 代码 第四章：朴素贝叶斯 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（四）：朴素贝叶斯基础篇之言论过滤器 Python3《机器学习实战》学习笔记（五）：朴素贝叶斯实战篇之新浪新闻分类 代码 第五章：物流（Logistic回归） 文章 个人网站 CSDN 知乎 Python3《机器学习实战》学习笔记（六）：Logistic回归基础篇之梯

【预测模型】基于灰狼算法优化支持向量机SVM实现分类matlab源码.zip

针对传统支持向量机分类方法在脑电信号处理中存在分类正确率低的问题,将聚类思想与二叉树支持向量机结合构造多类SVM分类器。实验以“BCICompetition2005”中的DatasetⅢa为例,先对采集的4类运动想象脑电信号应用小波变换进行去噪;再在分析小波包频带划分特点的基础上,利用小波包进行分解与重构,获取相应的能量特征;最后应用改进后的支持向量机(SVM)分类方法对特征信号进行分类。结果表明该方法分类正确率较高,可以达到91.12%,并且有效的减少了分类器的个数,最终达到较好的识别效果。

vs2015+opencv3.4.0+opencv_contrib_3.4.0，用sift提取特征，用kmeas形成词汇表（bow)，用svm进行分类。 正确率82%左右。

AutoBlur_CNN_Features 基于以下代码： ： 脚本，用于提取具有不同ConvNet的CNN深度特征，然后将其用于具有线性核的SVM分类器的图像分类任务，涉及以下小型数据集：足球[1]，飞鸟[2]，17flowers [3]，ImageNet-6Weapons [4]和ImageNet-7节肢动物[4]。 使用VGG16提取的功能或MobileNet进入SVM分类器。 允许比较使用完整图像或使用AutoBlur方法过滤之间的差异 随代码一起提供了Soccer数据集，因此可以轻松对其进行测试： 足球：原始图像 SoccerAutoBlurBB：应用AutoBlur过滤技术并使用相应的边界框裁剪后的原始图像 参考： [1]范德·韦耶尔（J. van de Weijer），施密德（C. Schmid），着色局部特征提取，Proc.Natl.Acad.Sci.USA。

基于PSO算法的 -SVM算法参数优化，王洁，白静，在v-SVM算法参数选择中，现多采用反复试验的方法，局限性较大且操作复杂。因此，本文采用了粒子群算法来优化v-SVM中的参数，并将之��

Matlab的FIG信息粒化SVM对于上证指数的预测-FIG_SVM_sh.rar 秉承着这个帖子： 利用libsvm做回归分析的一个小例子　https://www.ilovematlab.cn/thread-47453-1-1.html对于上证指数的预测我又做了一些探究，这次我要做的是从２０号开始对于未来五天内（２０，２１，２４，２５，２６）［２２，２３两天关闭］，上证指数的每日开盘数的变化空间（五日内的变化范围的预测，以及与前五日相比的趋势）． 所采用的方法是FIG＋SVM[信息粒化 支持向量机]. 这回也加大了数据量,为上证指数从1990.12.19开盘以来到2009.8.19,4579个交易日内每日的开盘数. 原始数据如下: ========上证指数1990.12.19-2009.8.19每日开盘数 sh_8_19.jpg ======== 我把每五日,放在一起对原始数据进行模糊信息粒化.[有关模糊信息粒化相关的代码我就不贴出来了,其他的代码可以共享] 得到原始数据的信息粒化图,三幅,分别是模糊数的三个部分: 最低,代表,最高.看图: 图的意义与那个帖子类似: 红色是原始数据,绿色是用SVM拟合的数据,下面的是归一化的数据,调试用的. =====low========= low.jpg    mse =  18.7764     r = 0.9960 =====R========== | R.jpg |   mse =  9.1019     r = 0.9980 =====up========= up.jpg |   mse =  8.4657     r = 0.9982 ============================= 利用上面训练得到的模型 对于从２０号开始对于未来五天内（２０，２１，２４，２５，２６）开盘指数的变化范围的预测是: [2505.6,2951.8,3204.8] 所表示的意义是: ２０，２１，２４，２５，２６这五天内开盘数的变化范围为 2505.6到3204.8,且五日内平均水平大概为2951.8. 由于20号的开盘指数已知为:20号的实际开盘是2798.4 验证一下是在上面的范围内的. ２１，２４，２５，２６可以每天验证一下看看这个模型预测的怎么样... [不一定准哈,我就是做了个小探索.hehe.OO,要是准了.咱完后就靠这个模型天天预测大盘.炒股就成.了.so.......] 且20号往前五日[13,14,17,18,19]的变化范围是[2796.3    3138.2    3380.2] 这样比较起来说明:[2505.6,2951.8,3204.8]  vs [2796.3    3138.2    3380.2] 趋势预测: 20号后面五日内的开盘数整体会比前五日有所降低.down.. 代码如下:[信息粒化的我没贴出来,但接口给了,其他的我都贴上] ====FIG_SVM_sh.m=====%FIG SVM script by faruto to predict trend of the index of Shanghai 09.8.21 %Email:farutoliyang@gmail.com QQ:516667408 http://blog.sina.com.cn/faruto %www.ilovematlab.cn load sh_8_19; TS = sh_open'; figure; plot; legend'); grid on; len = length; win_num = floor; [low,R,up]=FIG_D; % figure; % plot; % legend; % grid on; % figure; % plot; % legend; % grid on; % figure; % plot; % legend; % grid on; [pre_low,acc_low,model_low,ps_low] = SVM_regression; [pre_up,acc_up,model_up,ps_up] = SVM_regression; [pre_R,acc_R,model_R,ps_R] = SVM_regression; prlow = svmpredict; prlow = mapm

机器学习 这些是我用一些数据集实现的一些流行的机器学习算法。 其中包括线性回归（多变量）的实现，逻辑和线性回归的梯度下降，决策树，随机森林，朴素贝叶斯。 它们都是用python 3.5编写的。

当今社会独居老人越来越多，老年人的监护已经成为了一个社会问题。为使独居老人在家摔倒时能够被及时发现，将对老年人的伤害减到最低，一种不受可见光影响的基于Kinect的摔倒检测方法被提出与研究。使用Kinect的深度信息去除背景，提取人物的关键点，采集大量的不同动作下的关键点运动曲线，并进行特征提取作为训练集，用SVM（支持向量机）建立了一个摔倒检测分类器。在实验中，500个摔倒动作和1 500个未摔倒动作作为训练数据，315个动作被用来作为检测数据，实验结果显示，算法的敏感度是91.4%，精确度是93.7%，由此可见这个方法对于摔倒特征有很好的分类能力和很高的辨别度。

程序流程 1.将数据进行预处理。 2.通过一对一方法将45类训练样本（(0,1),(0,2),…(1,2)…(2,3)）送入交叉验证法，训练算法为smo 3.得出45个模型，测试时在利用投票法判定 数据结构 '''*************************************************************** * @Fun_Name : judgeStruct: * @Function : 存放训练后的分类器参数 * @Parameter : * @Return : * @Creed : Talk is cheap