该资源为机器学习算法2详细讲解，包括朴素贝叶斯、支持向量机、EM算法、HMM模型、集成学习进阶以及拓展理论和实践案例等详细讲解。

该包是支持向量机的内置算法包，直接调用就可以执行支持向量机的分类预测功能，是支持向量机必不可少的部分！自己下载配置就可以了！

在线回归 在线学习算法不限于分类问题。 内核 adatron 算法的更新规则还建议了用于创建优化的在线版本的通用方法。 使内核 adatron 算法的第一次更新等价于 αi ← αi + ∂W(α) ∂αi 使其成为一种简单的梯度上升算法，并通过修正来确保满足附加约束。 例如，如果我们将相同的方法应用于支持向量回归算法的线性 ε 不敏感损失版本。 支持向量机的优点之一，支持向量回归作为它的一部分，它可以用来避免在高维特征空间中使用线性函数的困难，并将优化问题转化为对偶凸二次规划。 在回归情况下，损失函数用于惩罚大于阈值 - 的错误。 这种损失函数通常会导致决策规则的稀疏表示，从而带来显着的算法和表示优势。 参考： 模式分析的内核方法作者：John Shawe-Taylor & Nello Cristianini http://kernelsvm.tripod.com/

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）