研一机器学习作业SVM分类器

主要应用领域 手写数字识别 语音识别 人脸识别 文本分类

提出了一种基于时频域特征的情绪检测方法。使用Box-and-whisker plot（箱线图）选择最佳特征，然后将其输入SVM分类器，用于训练和测试DEAP数据集，其中考虑了32名不同性别和年龄组的参与者。实验结果表明，该方法对测试数据集的准确率为92.36%。此外，所提出的方法比最先进的方法表现出更高的准确性。 本文利用DEAP数据集预处理的脑电信号对两种维度进行四分类，即效价和觉醒。首先通过应用FFT将数据集中的样本从时域转移到频域，然后提取对情绪识别特别重要的α、β和θ频带。随后，根据每个情绪对应的象限对提取的频带进行平均，并使用平均频带值提取统计特征。然后，对提取的特征进行缩放，并将各种特征组合输入支持向量机分类器（SVM）进行情感识别。据观察，我们的方法使用偏度、峰度和波熵特征预测情绪，准确率为92.36%。与现有的DEAP数据集方法相比，我们提出的模型显示了更好的结果。

内包含基于SVM的粒子群算法来处理乳腺癌的分类预测，其中首先用到了特征提取方法进行特征提取，然后再进行了分类预测。 本程序调用libsvm,使用该代码时，首先需要配置libsvm函数包。

该资源使用支持向量机进行手写识别，内包含训练代码和测试代码，使用者可以根据自己的需要替换手写照片。 其中的训练数据集每个数子有15张，经过训练之后的效果真题不错！

该数据集包括0-9的500个训练集和100个测试集；可应用于书写识别数字的应用研究，在支持向量机、神经网络等都可以应用

5.1 支持向量机(SVM)算法（上）

选择性激光烧结成型件密度的支持向量回归预测!.pdf

matlab svr代码AML_RVR-SVR_project 运行项目 MATLAB 项目分为 9 个部分。 只需评论/取消评论您想要运行的内容即可。 S1：加载数据集 更改您希望加载的数据集的名称（ sinc或airfoils ）。 S2：运行SVR 使用内核运行 SVR，您选择的 SVR 方法 (nu,epsilon SVR)，指示的超参数。 S3：运行 RVR 以指定的内核宽度运行 RVR。 S4 : BICSR 验证 在多个模型（任意模型以及根据不同指标的最佳模型）上运行交叉验证。 在 MSE/稀疏图上绘制结果。 S5 : nu-SVR 的简历 对 nu-SVR（使用 RBF 高斯核）运行 f 折交叉验证，并在超参数上进行网格搜索。 S6 : eps-SVR 的简历 对 eps-SVR（使用 RBF 高斯核）运行 f 折交叉验证，并在超参数上进行网格搜索。 S7 : RVR 简历 运行 RVR 的 f 折交叉验证（使用 RBF 高斯核），并在超参数上进行网格搜索。 S8 : BICSR 验证 (2) 基本上和 S4 一样，没有不同的惩罚项（保持 klnN） S9 : 模型比较

matlab对支持向量机的操作，解释的较为清晰，具有一定的参考价值。