压缩文件包含LSSVR的MATLAB工具箱，里面有MATLAB的子程序，添加到MATLAB路径后可以直接调用，亲测有效；还有英文版的说明书和翻译版，英文基本都能看懂。

根据《Pattern Recognition and Machine Learning》这本书的第7章（稀疏核机）的7.1节，介绍了样本数据线性可分的线性可分支持向量机和样本数据重叠的线性支持向量机，以及支持向量回归。详细介绍了公式的推导过程，以及SMO算法。

适合初学者学习的SVM、SVR工具箱 该工具箱包括了二种分类,二种回归,以及一种一类支持向量机算法 (1) Main_SVC_C.m --- C_SVC二类分类算法 (2) Main_SVC_Nu.m --- Nu_SVC二类分类算法 (3) Main_SVM_One_Class.m --- One-Class支持向量机 (4) Main_SVR_Epsilon.m --- Epsilon_SVR回归算法 (5) Main_SVR_Nu.m --- Nu_SVR回归算法 另附： (1) 目录下以Main_开头的文件即是主程序文件,直接按快捷键F5运行即可 (2) 工具箱中所有程序均在Matlab6.5环境中调试通过，不能保证在Matlab其它版本正确运行

文本相似度计算一直是自然语言处理领域研究中的一个基础问题。而文本语义相似度计算则是在文本相似度计算基础上增加了语义分析,在语义层面对文本相似度作进一步的分析研究,具有广阔的应用背景。本文针对句子级别的文本语义相似度计算问题,提出了应用结构化特征和神经网络的方法,并将该方法应用到一个实际的问答系统中,取得了良好的效果。本文深入研究文本语义相似度计算方法,主要研究内容如下:(1)基于结构化表示的文本语义相似度计算方法针对句子级文本相似度计算方法中平面特征表征性弱的问题,本文提出了应用结构化特征来表示句子级文本的句法、语义等信息。在浅层句法树和依存关系树的基础上,获得了基于短语的浅层句法树PST(Phrase-based Shallow Tree)和基于短语的依存树PDT(Phrase-based Dependency Tree)的结构化特征,并与平面特征向量相结合,使用支持向量回归模型进行文本语义相似度计算。实验结果表明,加入PST或PDT特征可以分别使皮尔逊相关系数比基准系统提高0.054和0.041。(2)基于Tree-LSTM的文本语义相似度计算方法为了进一步提高长文本语义相似度计算性能,本文提出应用深度学习方法对长文本进行语义相似度计算研究。首先,设计了适合神经网络模型的新的基于短语的浅层句法树NPST(New PST)和新的基于短语的依存树NPDT(New PDT)结构化。

详细了解支持向量机额的算法原理，进而明白SVR与SVM的区别，

旅游客流量具有明显的非线性和季节性特征，所以采取季节调整方法对样本数据进行预处理，消除季节性的影响，可以提高客流量预测的准确性。同时SVR（支持向量回归机）是一种良好的机器学习方法，非常适合预测研究，辅以PSO（粒子群算法）选取合适的回归参数可以获得更加精确的预测结果。鉴于此，构建一种考虑季节影响的PSO-SVR模型，以北京为例将不同旅游客流量预测方法的拟合优度进行比较。结果显示：季节调整的PSO-SVR模型预测精度明显高于SVR、季节调整的SVR和PSO-SVR模型，该模型是进行旅游客流量预测的有效工具。

果蝇优化算法优化支持向量回归程序吴文教授-FOASVR_Training.txt 各位先进大家好: 台湾学者潘文超老师今年提出一种新的群智能技术, 日前已经被SCI期刊接受, 经晚辈向潘老师询问, 潘老师同意将其出版的书籍分享给各位, 但限于台湾地区以外使用! 该群智能优化技术类似基因算法与粒子群算法, 是2011年刚提出, 有利于各位投稿国际知名期刊. 请各位先进多加阅读与研究, 并转寄给同志朋友, 为祖国的学术水平尽一份心力! 书籍已经分享在讨论区 章节包括: 果蝇优化算法的基本观念 果蝇优化算法求解极大值与极小值 Z-SCORE模型系数优化-以财务预警为例 广义回归神经网络参数的优化-以网络购物物流满意度为例 灰色神经网络参数的优化-以基金买卖决策为例 支持向量回归参数的优化-陆生来台就读意愿之研究为例 果蝇优化算法的进阶微调

支持向量回归是在支持向量机上进一步的应用，使用支持向量回归可拟合函数

采用何种手段才能实现支持向量回归呢，当然有很多现成的工具和库函数，但libsvm和lssvm是较为好用的两种工具

关于支持向量回归的代码，支持向量分类和回归问题