基于支持向量机的数据分类预测，代码全部封装好了，注释也写得非常详细，跑数据的过程中有任何问题可以私信博主

SVM支持向量机和逻辑回归进行心音信号简单二分类-附件资源

通过对风机传动系统中齿轮故障进行模拟试验,构建结构风险最优的支持向量机(SVM)网络,对采集到的电磁速度信号进行快速傅里叶分解,选取高频段的频谱特性 作为分量进行样本化学习,完成对齿轮故障样本的训练,使 SVM 具备分类功能。最后,采用SVM 对齿轮箱试验台齿轮故障进行诊断分类识别,取得较好的效果,说明齿轮故障信号高频特性所包含故障信息在整个频谱中的有效性以及SVM 作为一种故障诊断方法的实用性。

004_基于支持向量机(SVM)的数据回归预测 Matlab代码实现过程，调用了libsvm工具箱实现

005_基于支持向量机(SVM)的数据分类预测 Matlab代码实现过程，调用了libsvm工具箱实现

通过GWO 灰狼算法优化支持向量机SVM建立各参数与研究目标的映射模型，代代码比较全，可以直接在MATLLAB里面使用

为了对用户的项目进行推荐以进行历史用户评级，正在使用几种智能系统。 最常见的方法是推荐系统。 发挥主要作用的主要领域是社交网络，数字营销，在线购物和电子商务。 推荐系统由几种建议技术组成。 在这里，我们使用了众所周知的协作过滤（CF）方法。 存在两种类型的问题，协作过滤主要解决这些问题。 它们是完全冷启动（CCS）问题和不完全冷启动（ICS）问题。 作者提出了三种新颖的方法，例如协同过滤，人工神经网络以及最后的支持向量机来解决CCS和ICS问题。 基于特定的深度神经网络SADE，我们可以删除产品的特征。 通过使用顺序激活的用户和产品特性，我们可以适应最新技术CF模型，时间SVD ++的冷启动产品额定值。 拟议的系统由Netflix评级数据集组成，该数据集用于执行基线技术来对冷启动项目进行评级预测。 在ICS项上比较了两种推荐技术的计算结果，证明了该方法的适应性。 由于冷启动转移到非冷启动状态，因此所提出的方法能够转移产品。 这里采用人工神经网络（ANN）提取项目内容特征。 用户偏好之一（例如时间动态）用于将满足的特征获取到预测中以克服这些问题。 对于分类过程，与早期方法相比，我们使用了

机器学习支持向量机学习文档上

机器学习支持向量机学习文档下

选取基于日特征气象因素的支持向量机预测方法，用Matlab编制模型的算法程序，从数据集中选取若干天数的历史数据作为模型的训练集，其余的数据作为测试集，模型最终能够实现对测试集中不同日期的负荷大小预测 ,完整程序 附带WORD讲解（MATLAB）