5.1 支持向量机(SVM)算法（上）

选择性激光烧结成型件密度的支持向量回归预测!.pdf

摘要：内核极限学习机（KELM）通过将低维空间中的线性不可分离数据转换为线性可分离的数据，从而增强了ExtremeLearning Machine（ELM）的鲁棒性。 然而，ELM的内部功率参数是随机初始化的，导致算法不稳定。本文采用主动算子粒子游动优化算法（APSO）来获得KELM的最优初始参数集，从而创建了一个最优的KELM分类器名为APSO-KELM。 在标准遗传数据集上进行的实验表明，与现有的ELM，KELM相比，APSO-KELM具有更高的分类准确性，并且这些算法将PSO / APSO与ELM / KELM相结合，例如PSO-KELM，APSO-ELM，PSO-ELM等。 ， APSO-KELM具有良好的稳定性和收敛性，被证明是一种可靠有效的分类算法。

煤与瓦斯危险性的准确预测一直是矿山安全领域的关键技术难题和重大研究课题。支持向量机是在瓦斯预警中广泛使用的一种技术,以统计学习理论和支持向量机为基础,通过研究基于模糊支持向量机的多类分类方法,对原算法进行改进,采用模糊多类支持向量机,并构造模糊隶属函数,同时使用序列最小最优化算法进行求解,以期提高算法的精度和速度。

多臂强盗 该模块实现了多臂 Bandit 算法，如 John Myles White 的书中所描述的， Bandit 算法有助于确定多个选项中的最高平均奖励，而不会在错误的选择上浪费时间。 传统的 A/B 测试使用事后结果的统计抽样； 这是一种尝试不同选项的探索性方法。 不幸的是，这种方法忽略了利用已知好的选择。 这些算法平衡了探索新的、更好的选项的愿望，同时仍然通过使用已知的好的选项来获得尽可能多的奖励。 此代码源自 Bandit Algorithms for Website Optimization提供的。 改进包括文档和简化的更新，使代码更加“pythonic”。 包括测试以使用每个实现的算法生成测试数据。 数据以制表符分隔值的形式保存在此目录中。 为了方便（？）， generate_plots.sh脚本将执行包含的 R 脚本以提供每个算法性能的比较图。 最小的 R 设

影响个人信用的因素很多。 将套索技术引入个人信用评估，分别建立套索逻辑，套索支持向量机和组套索逻辑模型。 变量选择和参数估计也同时进行。 根据某贷款平台的个人信用数据集，可以通过实验得出结论，与全变量Logistic模型和逐步Logistic模型相比，Group Lasso-Logistic模型的变量选择能力最强，其次是套索物流和套索SVM。 这三个基于套索变量选择的模型都具有比逐步选择更好的过滤能力。 同时，组套索逻辑模型可以消除或保留相关的虚拟变量作为一个组，以方便模型解释。 在预测准确性方面，Lasso-SVM在训练集中对默认用户的预测准确性最高，而在测试集中，Group Lasso-logistic对默认用户的分类准确性最高。 无论是在训练集中还是在测试集中，套索逻辑模型对于非默认用户都具有最佳分类精度。 基于套索变量选择的模型还可以更好地筛选出影响个人信用风险的关键因素。

自己搜集的元胞自动机算法资料及MATLAB和C语言程序，资料全，用来准备数学建模比赛

SVM支持向量机算法的详细推导(详细到每个步骤_值得推荐)，简单易懂，有清晰的注释以及代码详解，对SVM爱好者来说绝对的福音

李航老师的《统计学习方法》书里第二章感知机学习算法的原始形式的matlab程序

对“data1.m”数据，分别采用感知机算法、最小平方误差算法、线性SVM算法设计分类器，分别画出决策面，并比较性能。（注意讨论算法中参数设置的影响。）