1、掌握支持向量机的原理 2、能够理解支持向量机分类算法； 3、掌握sklearn的支持向量机分类算法；

【lssvm预测模型】基于蝙蝠算法改进的最小二乘支持向量机lssvm预测matlab源码.zip

使用MATLAB实现智能计算方法课程中的一些课后实验，共有7个实验，包括BP神经网络、支持向量机、模糊仿真等。适用于学习该课程的初学者，其中包含工具箱实现方式和手工编码方式，有助于进一步理解算法本身的结构。

乳腺癌的抗癌药物是一个研究热点，ERα被认为是治疗乳腺癌的一个重要候选药物。本文基于抗癌药物筛选的热点问题，对候选药物化合物的多种分子标识符特征与其生物活性、ADMET性质之间的关系建立了数学模型，使用了线性回归、机器学习、神经网络、支持向量机、多目标优化等方法对化合物的生物数据进行了处理、预测、分类和参数值最优化，对候选药物化合物的选择提供了数据参考和可行思路。

支持向量机(SVM)适用于分类的方法，本文档很适合初学者了解其原理。

支持向量机 (SVM) 是一个非常经典且高效的 分类模型. 但是, 支持向量机中涉及许多复杂 的数学推导, 并需要比较强的凸优化基础, 使 得有些初学者虽下大量时间和精力研读, 但仍 一头雾水, 最终对其望而却步. 本文旨在从零 构建支持向量机, 涵盖从思想到形式化, 再简 化, 最后实现的完整过程, 并展现其完整思想 脉络和所有公式推导细节. 本文力图做到逻辑 清晰而删繁就简, 避免引入不必要的概念, 记 号等. 此外, 本文并不需要读者有凸优化的基 础, 以减轻读者的负担. 对于用到的优化技术, 在文中均有其介绍. 尽管现在深度学习十分流行, 了解支持向量机 的原理, 对想法的形式化, 简化, 及一步步使模 型更一般化的过程, 及其具体实现仍然有其研 究价值. 另一方面, 支持向量机仍有其一席之 地. 相比深度神经网络, 支持向量机特别擅长 于特征维数多于样本数的情况, 而小样本学习 至今仍是深度学习的一大难题.

提出基于最优分类标准的核学习方法,这个标准类似于线性鉴别分析和核Fisher判别式。并把此算法应用于模糊支持向量机多类分类器设计上,在ORL人脸数据集和Iris数据集上的实验验证了该算法的可行性

《支持向量机理论及工程应用实例》.pdf

最小二乘支持向量机（LSSVMtoolbox）--工具包

SVM范例 使用Gurobi计算支持向量机的示例 运行示例 从命令行启动Python的网络服务器 make 将浏览器指向 添加不同类型的点（红色和绿色）。 单击“计算分类”以解决SVM优化问题。 执行优化 要仅解决模型（不运行Web服务器），请执行以下操作： make test 资料来源 基于上这个例子的想法页面和模型PG definied。 423