早期的癌症预测非常重要，因为患者可以准备应对它。 有几种机器学习模型可以通过识别高风险的独立样本来帮助预测癌症，从而简化癌症试验的设计和规划。 这些模型使用生物标志物（例如年龄，更年期，肿瘤大小，肿瘤，乳房，乳房四分之一尺度）来预测乳腺癌。 但是，这些模型的主要缺点是后期预测以及准确性低。 因此，在这里介绍一种使用基因表达谱（基因组数据）来早期预测乳腺癌的系统。 该模型是使用不同的机器学习算法构建的，例如高度通用的支持向量机（SVM），朴素贝叶斯定理，决策树和最近邻居方法，可使用基因表达谱预测乳腺癌。

使用opencv扩展模块进行机器学习SVM进行手写数字分类

基于 PCA 与 KPCA 的 TE 过程故障检测，MATLAB代码 + 文章！内含MATLAB源代码、PDF文档、word文档，做毕设或者做相关研究的人可以用到！

产品评论的情感倾向性分析是一个很有研究价值的领域，可以帮助客户、商家进行决策。针对产品评论中的属性词和情感词在文本中的各种关系，制定了8组特征选择规则，利用SVM算法训练模型来判断属性词和情感词的搭配识别，进而依据情感词及否定词等分析属性特征的情感倾向。实验结果表明：提出的基于SVM的搭配识别方法，在识别属性特征与情感词的搭配方面具有不错的分类效果。

SVM_支持向量机基本原理及应用 详细介绍了SVM算法

PCA_BP神经网络—加热炉炉温预测—内含Excel数据和Matlab源代码，再加上BP和PCA-BP两种算法原理的见解，里面还包括精美做图Matlab源代码！代码都带有详细注释！即使是小白在这篇word面前也能掌握精髓！

fastPCA降维实现，把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性,已通过测试可以使用。

交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在交通流量预测中有着非常广泛的应用。但是,在短时交通流量预测中,由于其影响因素错综复杂,传统的预测方法对于短时交通流量不能很好地进行预测。随着机器学习和数据挖掘各种理论的不断提出及完善,机器学习和数据挖掘与交通流量预测的结合是智能交通系统未来发展的一个重要方向。本文利用SVM(supportvectormachine)构建了短时交通流量预测模型,并利用遗传算法(geneticalgorithm)对SVM的惩罚参数C和核参数。进行优化,同时比较S

用matlab实现的fsvm（模糊支持向量机算法），每个训练样本多加了模糊丽都标签。

原创