1.python程序 2.优化支持向量机，可直接运行 3.有数据集

1.python代码 2.有数据集，可直接运行

Mnist python图片识别。 带网页端可上传手写字图片进行预测识别 使用SVM和ANN两种模型进行实现

用支持向量机算法，多项式核对两类非线性点分类，并画出图像。matlab编写。

基于支持向量机和NSGA-II算法的非晶合金变压器结构优化，matlab2017b仿真测试。变压器是当今社会不可或缺的电气设备，非晶合金变压器更是由于节能和环保的特点被国内电力部门所认可。本章选择非晶合金变压器作为研究对象，从变压器有限元仿真计算出发，通过采用正交实验与随机实验设计结合方法获得变压器参数样本空间，利用支持向量机对其电磁模型进行非参数建模，并验证模型的精度；接着使用NSGA-II算法对其结构进行优化，得到一组最优的变压器结构参数，并采用有限元模型验证优化结果的可靠性。

文本分类，使用机器学习算法，如朴素贝叶斯、逻辑回归、支持向量机等

以分类精度为目标的传统分类算法通常假定:每个样本的误分类具有同样的代价且每类样本数大致相等.但现实数据挖掘中该假定不成立时,这些算法的直接应用不能取得理想的分类和预测.针对此缺隙,并基于标准的SVM,通过在SVM的设计中集成样本的不同误分类代价,提出代价敏感支持向量机(CS-SVM)的设计方法.实验结果表明CS-SVM是有效的.

svmpredict命令： 具体命令： svmpredict testfile modelfile outputfile 需要预测的序列文件 svmtrain构建的模型

基于WOA优化的libsvm最优参数计算仿真，matlab2021a测试。 [Best_score, Best_pos,~] = WOA(agent, iteration, lb, ub, dim, fobj); cmd = ['-s 5 -t 2 ', '-c ', num2str(Best_pos(1,1)), ' -g ', ... num2str(Best_pos(1,2)), ' -q']; model = libsvmtrain(trainlabel, traindata, cmd);

阐述了支持向量机在时间序列预测中应用的理论基础，建立了人口时间序列的支持向量机预测模型。计算结果表明，无论是在拟合过程还是在预测过程，支持向量机方法都具有很高的计算精度.因此，采用支持向量机方法对人口时间序列进行预测分析是可行的。