1.python代码 2.有数据集，可直接运行

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：SVM参数优化_提升分类器的性能_GA_PSO_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

除了在Matlab中使用PRTools工具箱中的svm算法，Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法，本文的运行环境是Pycharm。 一、导入sklearn算法包 Scikit-Learn库已经实现了所有基本机器学习的算法，具体使用详见官方文档说明：http://scikit-learn.org/stable/auto_examples/index.html。 skleran中集成了许多算法，其导入包的方式如下所示， 逻辑回归：from sklearn.linear_model import LogisticRegression 朴素

C语言版的支持向量机源码，很好，很强大。

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。

5.1 支持向量机(SVM)算法（上）

svm-gpu 适用于带GPU的多类支持向量机（SVM）库。 这是一种快速且可靠的分类算法，在有限的数据量下性能很好。 支持向量机 ： 支持向量机是有监督的学习模型，可以分析数据并识别模式。 一个特殊的特性是，它们同时最小化了经验分类误差并最大化了几何余量。 因此，它们也被称为最大余量分类器。 支持向量机的优点是： 在高维空间有效。 在维数大于样本数的情况下仍然有效。 在决策函数中使用训练点的子集（称为支持向量），因此它也可以提高存储效率。 多功能：可以为决策功能指定不同的内核功能。 提供了通用内核，但是也可以指定自定义内核。 与神经网络相比，在有限数量的样本（数千个样本）中实现了更高的速度和更好的性能 支持向量机的缺点包括： 如果特征数量远大于样本数量，则在选择内核函数时应避免过度拟合，并且正则化项至关重要。 SVM不直接提供概率估计，而是使用昂贵的五重交叉验证来计

自己制作的支持向量机PPT，用于日常学习分享，欢迎大家下载交流，配套的文章在本人的博客上。适合课题分享、小组交流、科普机器学习。

支持向量机（SVM）是一种分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，学习策略是间隔最大化，最终可转化为一个凸二次规划问题的求解。包含三个由简至繁的模型：线性可分支持向量机、线性支持向量机、非线性支持向量机。学习支持向量机一个比较高效的方法是序列最小最优算法。

此代码将找出二维数据集的决策边界。 文件包含多个支持函数，主程序是 DecisionBoundary_SVMs.m 示例集包含线性和非线性数据集，使用带有 RGF 核的 SVM，我们将找出数据集的决策边界。