通过多种机器学习股票价格预测，包括随机森林(Random Forest),决策树(SVM),线性回归(LinearRegression),长短期记忆(LSTM)。 利用toshare获取600519.sh 2000-2020年数据，除了随机森林外基本都是以前19年数据做训练集，最后一年做预测。数据获取的文件在toshare文件夹，获取好的数据集一并在内。想自己拿数据，注册toshare换接口即可。 这些内容都是结课实践要求下我搜集网络资料学习而来，自己理解修改整理使得基本以同一个数据集进行预测。可以说对国内网络上参差不齐的简单机器学习股票预测做了一个复现整理。这对我的机器学习知识有一定帮助，也希望能帮助到需要它的人。 全部为jupterbook格式，代码注释全面且执行效果都在。 适合个人学习、课程团队作业、毕业设计参考等。

本资源包括使用支持向量机（SVM）算法进行人脸识别预测的全部源码 SVM就是帮我们找到一个超平面，这个超平面能将不同的样本划分开，同时使得样本集中的点到这个分类超平面的最小距离（即分类间隔）最大化。 支持向量机算法（Support Vector Machine，SVM），是一种二分类模型。 对于二分类问题，如果我们从数据集是否线性可分角度来看的话（线性可分通俗理解就是画一条直线，可以直接将两种类型的数据分开），可以将数据分为三种类型，一类是线性可分的、一类是近似线性可分（有一些异常点导致无法线性可分）、一类是线性不可分。 这三种场景对应的SVM的算法分别是硬间隔SVM、软间隔SVM和非线性SVM。 本案例使用支持向量机（SVM）算法实现人脸识别功能。 算法内容包括： 1、获取数据集 2、数据划分 3、PCA特征提取 4、使用线性SVM进行预测 5、交叉验证 6、超参数调优 7、预测结果分析 8、混淆矩阵评估

行人检测数据集特征svm模型

spec-img-finesse 在他们的工作Makantasis等。 （2015年）表明，使用CNN，高光谱图像可以成功分类。 CNN可以对像素的光谱和空间特征进行编码。 特征的从低到高层次结构极大地提高了分类性能。 在我们的CNN实施中，我们使用层修剪和层压缩方法扩展和优化了它们的方法。 每个植物在电磁频谱上都有其独特的频谱“特征”，可以使用高光谱传感器捕获该特征。 将图像中的高光谱带作为特征，将每个像素作为样本，利用卷积神经网络（CNN）和支持向量机（SVM）对植物进行分类。 CNN优化有助于防止过拟合，加速推理并减少其在内存，电池和计算能力方面的资源。 Keras 2.1.5与Tensorflow 1.7.0结合使用。 使用了印度松树数据集。 使用支持多项式的SVM可以达到83.9％的测试精度，而使用CNN可以达到99.2％的测试精度。 可以在项目报告“使用高光谱图像进行植

三、SVM的C语言编程介绍 1.求解SVM的两个开源开发包： Libsvm: http://www.csie.ntu.edu.tw/~cjlin SVM-light：http://ais.gmd.de/~thorsten/svm_light : : ... 2. 利用SVM的C语言程序直接进行分类器的训练和测试： 例： 1 1:67 2:66 3:72 4:72 5:59 6:71 7:54 8:67 9:79 -1 1:101 2:108 3:100 4:99 5:102 6:95 7:93 8:96 9:89

主要有如下部分：1.如何安装Python 和相关机器学习的库模块； 2.如何用数据库里面的数据; 3. 用不同的机器学习算法对数据库里的数据进行分类预测并比较各种预测算法的准确性； 4. 选择最优算法进行预测

该工具能够生成libsvm数据。在使用SVM之前需要转成SVM所需的格式,其格式为：label value1 value2… 使用svm之前的数据格式的转换相信是每个用libsvm的人都需要考虑的问题，一方面可以自己便代码实现，另一方面也可以利用FormatDataLibsvm.xls来实现。

turbofan_failure：飞机发动机故障预测模型

机器学习，分类器设计，包含BP神经网络设计和SVM分类器模型。

MATLAB CNN-SVM分类程序，含详细注释及数据， 以改进VGG网络为例，提取某一网络的某一层特征并用SVM完成分类。