SVM是用来解决分类问题的，如果解决两个变量的分类问题，可以理解成用一条直线把点给分开，完成分类

libsvm3.1工具箱是一个简单、易用、高效的SVM软件。 分类和回归。它解决了C-SVM分类、nu-SVM 分类、一类支持向量机、epsilon支持向量机回归和nu支持向量机 回归。

利用遗传算法优化SVM的两个参数，得到高精度的SVM模型用于识别分类

PCA降维+利用svd降维+利用sklearn库svd降维

此代码是基于PCA的人脸识别系统，作者加入了GUI界面，使用matalib实现。实验效果明显。

仅提供svm模型代码模版，适合初学者,简单易懂

自己整理的PCA的数学原理。具备线代和概率基础的人应该能够很容易看懂。里面对于数学基础的讲解很是明白。

PCA算法介绍，通俗易懂；PCA算法介绍，通俗易懂；PCA算法介绍，通俗易懂；PCA算法介绍，通俗易懂；PCA算法介绍，通俗易懂；PCA算法介绍，通俗易懂；PCA算法介绍，通俗易懂；

基于matlab的svm的留一法代码实现AROMS-机器学习 机器学习的自动表示优化和模型选择框架-AROMS-Framework 这是AROMS-Framework的Matlab源代码的发布。 这是我在德国杜伊斯堡－埃森大学的智能系统小组（Intelligente Systeme）的博士项目的主要贡献。 我的博士学位论文题目为“机器学习的自动表示优化和模型选择框架”在线发表： 英博士Dipl.-Inf。 FabianBürger，2016年7月4日 与我联系的一种方法是：fabuerger | at | gmail | dot | com ==应用领域和方法== AROMS框架的应用领域是针对监督分类问题的数据处理管道的优化。 管道非常适合每项学习任务，由四个连续处理数据的元素组成： 特征选择元素选择有用的特征子集 功能预处理元素应用数据预处理方法，例如重新缩放，L2归一化或预白化 特征变换元素从流形学习和表示学习领域应用合适的特征变换，例如主成分分析（PCA），自动编码器或LLE（局部线性嵌入） 分类器元素包含分类器，并提供了多种选择，例如内核支持向量机（SVM），随机森林或人工神

python 聚类 效果图 使用PCA(主成分分析)对四维特征值进行降维并且使用matplotlib进行画图显示聚类效果 使用PCA(主成分分析)对四维特征值进行降维并且使用matplotlib进行画图显示聚类效果 在main.py源代码中修改自己对水果属性(甜度、酸度、水分、脆度)的喜好程度，修改完后执行代码 随机数据集会在Data.csv中生成 会根据数据集进行PCA降维分析和绘图，可以在最后的图表中看出喜欢不喜欢一般般具有明显聚类和区分效果