分析了几种典型的文本分类算法的特点。其中，支持向量机算法具有最优性能，但处理大量数据时，耗时比较大；K-NN方法与K值的选取有很大关系，而且实时性不够良好；朴素贝叶斯方法在实际应用中可以得到比较好的效果；神经网络方法提供了比较容易的方式预测非线性系统，训练过程很慢，不能适应大数据量的学习。

此代码采用支持向量机进行手写数字识别，用到matlab子代的函数包对其进行预测处理，整体效果不错。同时，此代码包含的有数据集，方便使用者使用！

文本分类之KNN与SVM融合算法.ppt

基于支持向量机的语音情感识别matlab代码

利用PSO粒子群算法实现对多输入多输出SVM进行优化，程序可以运行。如果不能运行，可以私信。

1、python程序 2、有数据集 3、里面进行了三种算法对比，遗传算法、粒子群算法和布谷鸟算法 4、有一篇类似论文

1、python代码 2、有数据集，直接运行

基于Python和sklearn机器学习库实现的支持向量机算法使用的实战案例。 使用jupyter notebook环境开发。 支持向量机：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。

采用了matlab中的fictsvm训练函数，predict预测。

基于麻雀算法的SVM分类，SSA-SVM 分类问题 智能优化算法、改进分类器SVM