spark mllib 中的数据 支持向量机的数据

支持向量机择时策略的论文及代码，解决分类的问题，是不可多得的详尽解释

提出了一种改进的电力负荷短期预测小波网络模型,该模型采用最小二乘支持向量机(LS-SVM)实 现了小波分解系数的多尺度组合预测 .首先使用多孔算法对短期负荷序列进行小波分解,得到指定尺度下的 近似系数和相关尺度下的小波系数,然后利用 LS-SVM对预测点的系数进行多尺度组合预测,通过小波重 构可以求得相应的预测值 .结合某地区短期负荷需求数据进行了仿真试验,研究了预测点与历史记录数据的 相关关系 .预测结果表明,使用本模型进行短期负荷预测同比传统小波神经网络方法可以获得更好的预测精 度,同时 LS-SVM

粒子群优化最小二乘支持向量机matlab

颜色分类leetcode cnn-svm-分类器 此示例使用来自 Caltech 图像集 () 的 48 个标记图像的子集，每个标签限制在 40 到 80 个图像之间。 图像被馈送到 Inception V3 的 TensorFlow 实现，其中移除了分类层，以生成一组标记的特征向量。 使用 t 分布随机邻域嵌入 (t-SNE) 对 2048 维特征进行降维，将它们转换为易于可视化的二维特征。 请注意，t-SNE 用作信息步骤。 如果相同的颜色/标签点大多聚集在一起，那么我们很有可能使用这些特征来训练具有高精度的分类器。 将 2048-d 标记的特征呈现给多个分类器。 该项目最初是训练支持向量机对图像进行分类，但为了比较，这已扩展到以下内容： 支持向量机 (SVM) 额外的树 (ET) 随机森林 (RF) K-最近邻 (KNN) 多层感知器 (ML) 高斯朴素贝叶斯 (GNB) 线性判别分析 (LDA) 二次判别分析 (QDA) 显示训练和验证时间，以及每个分类器的准确率。 大多数分类器都使用其默认调整值运行，但在可能的情况下，对那些其默认值远低于 90% 准确率的分类器进行了调整，例

使用中科院分词系统和林智仁的libsvm进行设计的系统 主要使用java语言进行开发 其他更多的信息：你查看readme文件

针对传统机器视觉的手势识别方法识别准确率低，抗干扰能力差等问题，提出了一种基于支持向量机（Support Vector Machine，SVM）手势分割和迁移学习的静态手势识别方法.本文使用SVM和迁移学习方法相结合构建新的手势识别模型，利用SVM对样本进行手势分割，将Inception-v3模型作为卷积神经网络模型基础，对网络参数进行fine-tuning，将预先经过手势分割处理后的样本导入模型训练，调整超参数得到新的最优手势识别模型，并在一定干扰环境下测试，得到测试结果.测试结果表明该方法识别准确率和实时反馈效率均高于传统方法，能高效识别手势，满足实际应用需求.

从UCI上下载的iris数据集，经过处理可以用于svm。格式如下： 0 1:5.1 2:3.5 3:1.4 4:0.2 0 1:4.9 2:3.0 3:1.4 4:0.2 0 1:4.7 2:3.2 3:1.3 4:0.2 0 1:4.6 2:3.1 3:1.5 4:0.2 0 1:5.0 2:3.6 3:1.4 4:0.2 0 1:5.4 2:3.9 3:1.7 4:0.4

此代码将找出二维数据集的决策边界。 文件包含多个支持函数，主程序是 DecisionBoundary_SVMs.m 示例集包含线性和非线性数据集，使用带有 RGF 核的 SVM，我们将找出数据集的决策边界。

基于机器学习的智能孤岛检测方法能有效地提高防孤岛保护的性能，但现有方法皆采用离线学习方案，对配电网因运行条件变化而导致的概念漂移现象缺乏自适应性。提出了一种具有在线增量学习能力的孤岛检测方法。首先，提出利用保护自采数据以及数据采集与监视控制(SCADA)系统采集的开关状态构成原始样本，并基于增量聚类方法进行样本筛选，实现有效样本的在线积累；然后，以各子样本集对系统最新状况的分类性能作为竞争准则，提出了一种样本集的优选方法，并利用加权支持向量机完成了增量学习。仿真结果表明，所提方法能够自主探测概念漂移的发生并进行持续的学习，有效地提高了孤岛检测的准确性和自适应性。