python分别实现基于神经网络、线性回归、SVM方法预测学生成绩源码+数据集.zip 【完成的任务】 根据提供一组包含学生成绩与校园卡消费记录的数据。我对数据进行预处理后，分别采用神经网络、线性回归和SVM方法对学生学习成绩进行了回归。准确率为78%。 结果表明，学生经常去图书馆自习、每天在食堂吃饭不超过16块且前3学期学习成绩达到优秀的学生，在第4学期很可能再次达到优秀。该结果只针对次数据集。

基于CNN和SVM的设备审查实现

基于相空间重构(PSR)和支持向量机(SVM)算法本文提出了一种利用单一变量进行化工过程故障诊断的方法。首先进行变量筛选，然后对筛选出的关键变量进行相空间重构，再利用SVM对重构后的数据进行故障分类。通过对TE(Tennessee Eastman)过程几类故障进行仿真测试，结果表明在单一故障和多故障情况下，本方法均可实现化工过程的单变量故障诊断；与传统SVM方法相比，相空间重构可有效提高诊断正确率。此方法可为建立简单而有效的单变量故障诊断系统提供理论依据。

Support_Vecor_Machine_Implementation 借助梯度下降算法实现svm实现，以减少错误函数，仅使用numpy和matplotlib来实现它。

比较了现今应用比较广泛的3种支持向量机( SVM)参数优化方法. 具体分析了网格法、遗传算法和粒子群算 法在 SVM参数优化方面的性能以及优缺点,提出了一种改进的网格法. 先在较大范围内进行搜索,在得到的优化结果 附近区域再进行精确搜索. 实验表明改进的网格搜索法耗时短,更适用于有时间要求的说话人识别应用中.

机器学习 深度学习 人工智能代码（python）用SVM实现人脸识别 附带结果

统计学期末课程作业_python自定义实现CNN_KNN_NN_SVM网络模型源码+说明文件.zip 【CNN实现】 cnn1.py: LeNet+ReLU; cnn2.py: 在cnn1的基础上加宽全连接层; cnn3.py: 在cnn2的基础上修改卷积核; cnn4.py: 在cnn3的基础上修改卷积核; cnn5.py: 在cnn4的基础上加宽全连接层; cnn6.py: 在cnn3的基础上加宽全连接层; cnn7.py: 在cnn6的基础上加宽全连接层; cnn8.py: 在cnn6的基础上加入Dropout层; 等等 【KNN实现】 knn.py: 标准KNN,k=1,3,5,7,9; 【NN实现】 nn1.py: 784-800-15 (修改激活函数); nn2.py: 784-2500-2000-1500-1000-500-15 (修改激活函数); nn3.py: 在nn2的基础上修改数据预处理方式; 【SVM】 svm.py: 核函数(linear,rbf,poly,sigmoid); 另包含【运行指南】和【最终选择模型】

svm算法手写matlab代码机器学习 大家好， 我上传了我的机器学习在线课程作业，该课程由斯坦福大学的Andrew NJ教授教授。 所有代码都可以由MATLAB / Octave（4.4.0或更高版本）运行，并且为了提供有关每种练习的更多信息，需要准备一个文档文件。 最好先阅读一下并熟悉功能。 只需要运行以“ exNUM.m”命名的主函数，例如ex5.m 以下是每个练习的简要信息： HW1：线性回归。 在本练习中，我实现了线性回归方法，并看到了它在样本数据上的工作原理。 硬件2：逻辑回归。 在练习的第一部分，我建立了一个逻辑回归模型来预测学生是否被大学录取。 我使用线性决策边界对数据进行分类。 在练习的第二部分中，我实施了正则逻辑回归，以预测来自制造工厂的微芯片是否通过质量保证（QA）。 使用非线性决策边界和正则项。 HW3：神经网络的多类分类和实际使用。 在练习的第一部分中，我使用了逻辑回归的先前实现，并将其应用于“一对多”分类以识别手写数字（从0到9）。 最后，我获得了95％的训练集准确性。 在练习的下一部分中，我使用MPL神经网络库完成了先前的任务，令人惊讶的是准确性达到了97

基于PCA和SVM的实时人脸识别： faceCapture:首先采集需要被识别人的人脸，每人采取10张，统一格式大小，放入人脸数据库中； ReadFace:读入训练的人脸数据； fastPCA:PCA降维； scaling:训练数据归一化； train:使用SVM支持向量机训练模型； imageAcquision: 读入人脸照片—>灰度化—>检测人脸—>扣出人脸—>归一化尺寸—>在训练集的特征子空间中降维—>在训练集每维的最大最小值上数据归一化—>利用训练好的模型预测—>显示

MATLAB实现PSO-SVM粒子群优化支持向量机时间序列预测，Matlab完整程序和数据 数据为单变量时间序列数据，含粒子群优化前后的对比，预测对象为股票价格。