《机器学习》课程支持向量机实验，包括详细的jupyter文件和解释，代码均成功运行。 机器学习支持向量机实验内容 一、实验内容 1.1 支持向量机的核函数 1. 了解核函数对 SVM 的影响 2. 绘制不同核函数的决策函数图像 3. 简述引入核函数的目的 1.2 支持向量机的软间隔 1. 了解分离超平面、间隔超平面与支持向量的绘制 2. 调整 C 的值，绘制分离超平面、间隔超平面和支持向量 3. 简述引入软间隔的原因，以及 C 值对 SVM 的影响 1.3 支持向量机的分类任务 1. 使用支持向量机完成 spambase 垃圾邮件分类任务 2. 使用训练集训练模型，计算测试集的精度，查准率，查全率，F1 值 1.4 支持向量机的回归任务 1. 使用支持向量机完成 kaggle 房价预测问题 2. 使用训练集训练模型，计算测试集的 MAE 和 RMSE 要求将结果写入到 markdown 的表格中！ 二、数据介绍 2.1 kaggle 房价预测数据集 文件名：

基于遗传优化支持向量机的软件缺陷预测模型，王男帅，薛静锋，有效的软件缺陷预测能够显著提高软件安全测试的效率，确保软件质量，支持向量机(support vector machine, SVM)具有非线性运算能力，是建立�

蚁群算法对支持向量机参数的优化

基于SVM(支持向量机) 的人脸识别 matlab 代码

利用遗传基因算法对SVM-RFE算法进行优化，从而获取更优异的特征，提高检测率，该算法的SVMtrain利用matlab自带的函数

用支持向量机的方法用于预测金融股票走向 用SVM的改进LSSVM能够更好的预测 有很好的泛化能力

研究网络流量预测精度问题, 网络流量受多种因素的综合影响, 其变化具有周期性、非线性和随机性等特点, 将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势; 然后采用SVM对网络流量非线性和随机性趋势进行拟合; 最后将两者结果再次输入SVM进行融合, 得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试, 仿真结果表明, ARIMA-SVM提高了网络流量预测精度, 降低了预测误差, 能更全面刻画网络流量变化规律。

支持向量机分类算法在MATLAB环境下的实现 挺好的文章

【预测模型】基于粒子群算法优化最小二乘支持向量机lssvm实现预测附matlab源码2

支持向量机回归的参数选择方法