通过改进的机器学习模型，破产预测研究显示出更高的准确性。 本文提出了三种相对较新的基于实际数据的破产预测方法。 结果表明，在方法（支持向量机，带缺失的神经网络，自动编码器）中，具有带缺失的添加层的神经网络的精度最高。 与以前的方法（逻辑回归，遗传算法，归纳学习）进行比较显示出更高的准确性。

SVM light 工具箱(包含window版本和matlab版本) 由美国cornell大学的教授Thorsten Joachims部署 执行SVM二分类 速度明显快于libsvm 下载文件中包含 1.例子(inductive SVM 和 transductive SVM) 2.说明文件 3.源程序

1.注意这里SSA不是麻雀算法 2.python程序 3.有数据集，算法迭代速度快，收敛快

该代码把支持向量机中常用的核函数单独拿了出来，对于需要用核函数处理数据的同学大有帮助。

实验报告——SVM手写数字识别实现

1.python语言 2.有数据集，可直接运行 3.此算法计算速度快，收敛快，迭代次数少

回归预测 | MATLAB实现SVR(支持向量机回归)多输入单输出（完整源码和数据） 本程序为SVR支持向量机回归模型，多输入单输出，运行环境MATLAB2018b。

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。

支持向量机SVM理论知识,SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。

1．2国内外研究现状 国外自动分类研究开始于1950年代末，H．P．Luhn在这一领域进行了开创性的 研究，他首先将词频统计的思想用于文本分类中。1960年Maron在Journal of ASM 上发表了有关自动分类的第一篇论文“On relevanee，pr。bab¨itic i ndexing and inf。rmation fetnral”。1962年博科(H．Borko)等人提出了利用因子分析法进行 文献的自动分类。其后许多学者在这一领域进行了卓有成效的研究。国外的自动分 类研究大体上可以分为三个阶段：第一阶段(1958年1964年)主要进行自动分类的 可行性研究：第二阶段(1965年一1974年)，自动分类的实验研究：第三阶段(1975年一 至今)，自动分类的实用化阶段⋯㈩⋯⋯⋯。现已在邮件分类、电子会议、信息 过滤等方面取得了较为广泛的应用，其中较为成功的系统有麻省理工学院(MIT)为 白宫丌发的邮件分类系统、卡内基集团为路透社丌发的construe系统等。 国内自动分类研究起步较晚“¨“，始于20世纪80年代初期。1981年侯汉清对 计算机在文献分类工作中的应用作了探讨，并介绍了国外在计算机管理分类表、计 算机分类检索、计算机自动分类、计算机编制分类表等方面的概况。此后，困内的 研究者在英文文本分类研究的基础上采取相应策略，结合中文文本的特定知识，然 后应用于中文之上，继而形成中文文本自动分类研究体系。到目前为止，我国陆续 研制出一批计算机辅助分类系统和自动分类系统。例如中国科学院、清华大学、北 京大学、北京信息工程学院、上海交通大学、复旦大学、东北大学、山西大学、同 济大学、南京大学、浙江大学以及西安电子科技大学等单位都有相应的研究成果， 也研制出了不少的实验系统。这其中有基于人工智能技术的分类系统，有基于统计 学技术的分类系统，还有基于模糊技术的分类系统，近几年基于统计知识的分类方 法占主流，也不乏有基于规则的分类方法。 国外当前流行的文本分类方法有k近邻法(KNN)”3、决策树”1、朴素贝叶斯(NB) ‘⋯、支持向量机(sVM)‘⋯、神经网络(NNet)Ⅲ”Ⅲ。1、线性最小平方拟合(LLsF)法⋯1、 最大熵模型“⋯、回归模型㈨㈨、遗传算法⋯1等方法。这些方法在英文文本自动分 类上有广泛的研究，而且很多研究表明KNN和SVM是英文文本分类的最好方法。国 外很多研究人员对英文文本分类领域的各个问题都有相当深入的研究，对几种流行 的方法进行了大量的对比研究。Yiming Yang and xin Liu“51对SvM、KNN、LLsF、 Nnet和NB这5种方法进行了专门的比较研究。 国内当前流行的文本分类方法有k近邻法(KNN)”6¨“1、朴素贝叶斯(naive