支持向量机作为非参数方法已经广泛应用于信用评估领域.为克服其训练高维数据不能主动进行特征选择导致准确率下降的缺点，构建C4.5决策树优化支持向量机的信用评估模型.利用C4.5信息熵增益率方法进行属性选择，减少冗余属性.模型通过网格搜索确定最优参数，使用F-score和平均准确率评价模型性能，并在两组公开数据集上进行验证.实证分析表明，C4.5决策树优化支持向量机的信用评估模型有效减少了数据学习量，较于传统各类单一模型有较高的分类准确率和实用性.

phog方法提取图像特征，svm支持向量机进行分类，分别有GA遗传算法和PSO粒子群优化算法进行寻优。

基于交叉svm分类的健康状态分类技术研究 基于交叉svm分类的健康状态分类技术研究 采取了交叉验证的方法优化SVM,并且对原始的数据进行健康状态的分类技术研究 得到ROC曲线等。

麻雀算法为2020年的新算法，这里用麻雀算法（SSA）优化支持向量机，并以滚动轴承故障诊断为例子，代码注释较全，适合新手，可以跑出来，本人亲自测试过，绝对可以。

【SVM预测】灰狼算法优化svm支持向量机预测matlab源码.md

PSO优化SVM的matlab程序，PSO优化SVM的matlab程序

0积分下载，代码运行效果图见压缩包

作为全球女性中最常见的癌症之一，乳腺癌引起了研究人员的最多关注。 经证实，准确及早发现乳腺癌可以增加患者采取正确治疗方案并长期生存的机会。 本文旨在探讨可用于从常规血液分析数据预测乳腺癌的生物标志物的范围。 支持向量机（SVM）已经为癌症分类领域做出了重要贡献。 然而，不同的核函数配置及其参数会显着影响 SVM 分类器的性能。 为了提高 SVM 分类器对乳腺癌诊断的分类精度，本文提出了一种新的癌症分类算法，该算法基于使用网格搜索算法的智能算法优化 SVM 分类器的相关参数这些参数是： 高斯径向基函数 (GRBF) 核SVM分类器的参数g和C惩罚参数。 我们的实验表明，使用网格搜索的 SVM 参数优化总是在给定范围内找到接近最佳的参数组合，以评估所提出模型的性能，使用取自 UCI 库的乳腺癌科英布拉数据集。 在这个数据集时代，使用了体重指数 (BMI)、葡萄糖、胰岛素、稳态模型评估 (HOMA)、瘦素、脂联素、抵抗素和趋化因子单核细胞趋化蛋白 1 (MCP1) 属性。 在该数据集上将所提出方法的性能与其他方法的性能进行比较。 获得的结果显示了对最先进算法的改进，具有改进的性能参数，例如疾病预测准确性、灵敏度和更好的 F1 分数等。 资金声明：作者表示，这项研究没有获得外部资金。利益声明：作者声明没有利益冲突。道德批准声明：不需要。

为了准确地建立拱顶温度预测模型，提出了四种优化最小二乘支持向量机算法，分别是基于粒子群算法优化算法、基于遗传算法优化算法、基于鲸鱼算法优化算法、基于冯诺依曼拓扑结构的鲸鱼算法优化算法。

粒子群算法优化支持向量机参数，文件中包含数据和结果图