支持向量机导论(中文)版，适合对SVM感兴趣的科研人员和学生

林智仁的libSVM工具和详细的使用方法，包括：初识LibSVM、第一次体验libSvm、LibSVM使用规范、easy.py和grid.py的使用 、svmtrain()函数的用法、 svmpredict()函数的用法

2002，Jun’ichi Kazama，Takaki Makino等人使用支持向量机（SVM）在生物医学命名实体识别中，结果表明多项式核函数的SVM系统优于基于ME的系统。

【SVM预测】基于松鼠算法优化支持向量机SVM实现数据预测附matlab代码

提出在支持向量机回归预测中采用粒子群算法优化参数和主成分析降维的方法，通过算例分析表明，此法能够显著提高预测的精度。

matlab弹球代码双支持向量机变体 制定新算法“改进稀疏孪生支持向量机” 此存储库包含以下 SVM 变体的 matlab 代码- 所有数据集均来自

BP神经网络及支持向量机matlab实现

简单的支持向量机代码，经matlab2014测试有效，可用于分类.支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）[1-3]。SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器 [2] 。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一 [4]

该工具箱主要用于商业用Matlab软件包使用。Matlab的工具箱已经在不同的计算机体系结构编译和测试，包括Linux和Windows。大部分函数可以处理的数据集可高达20，000或更多点的数据。LS- SVMlab对Matlab接口包括一个适合初学者的基本版本，以及一个多类编码技术和贝叶斯框架的更先进的版本。

svm的介绍，通俗易懂