支持向量机SVM python源代码 亲测可在pycharm用，可以用于统计学习方法的课后练习使用

支持向量机回归用于电力系统短期负荷预测，内包含.m程序和数据

支持向量机

程序实现： 利用多种回归模型对华北八省市的实验区TRMM影像数据进行矫正 回归模型包括：多元线性回归、贝叶斯岭回归、弹性网络回归、支持向量机回归、梯度增强回归 通过对比发现：梯度增强回归模型的拟合效果最好，精度最高 回归模型的自变量包括：TRMM影像数据、DEM数据、经度、纬度 因变量为：实验区的站点插值数据 模型建立之后，将其应用于测试集数据，实现降雨数据的矫正

matlab svr代码支持向量机已成为解决各个领域分类和回归问题的重要学习技术。 然而，惩罚参数和内核参数的选择不当会显着降低 SVR 的性能。 自然地，没有启发式算法中低效的搜索策略和较长的搜索时间，元启发式已被引入作为与问题无关的技术，以在广泛的问题中获得可接受的最优值。 因此本程序旨在为SVM参数选择提供元启发式的仿真代码。 如何使用 基本的 GS-SVR 和 GA-SVR 演示可以在matlab-implement文件夹中找到。 [bestCVmse,bestc,bestg] = SVMcgForRegress(TrainL,Train,-8,8,-8,8,5,0.4,0.4) cmd = ['-c ',num2str(bestc),' -g ',num2str(bestg),' -s 3 -p 0.01']; 许多元启发式代码可以在 或 中找到。更多基于元启发式的算法可以通过ABC_SVM来ABC_SVM 。 待续。 调查报告 李赛、方华景和刘晓勇。 《基于正余弦算法的支持向量回归参数优化》。 具有应用程序的专家系统（2017 年）。 (SCI，影响因子：3.928，doi

邓乃扬-支持向量机：理论、算法与拓展，科学出版社

支持向量机是由Vapnik领导的AT&TBell实验室研究小组在1963年提出的一种新的非常有潜力的分类技术，SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域。由于当时这些研究尚不十分完善，在解决模式识别问题中往往趋于保守，且数学上比较艰涩，这些研究一直没有得到充分的重视。直到90年代，统计学习理论 （Statistical Learning Theory，SLT）的实现和由于神经网络等较新兴的机器学习方法的研究遇到一些重要的困难，比如如何确定网络结构的问题、过学习与欠学习问题、局部极小点问题等，使得SVM迅速发展和完善，在解决小样本、非线性及高维模式识别问题中表现出许多特有

目标探测算法；标检测的目的在于从静态图片或视频中检测并定位设定种类的目标物体, 已有研究大都将目标检测问题简化为一个二分类问题. 鉴于支持向量机在模式识别领域尤其是解决二分类问题中所表现出来的优越性, 如何将其应用于目标检测已成为当今计算机视觉领域关注的重点. 对此, 从支持向量机原理、目标特征模型构建、学习训练和目标检测框确定等角度, 综述了基于支持向量机的目标检测算法的研究现状, 并就进一步的发展进行了展望.

用C++实现的支持向量机（SVM）源码，简单易学，有详细的注释，适合初学者的学习。

SVM除了可以用于分类问题，也可以用于回归问题，这里有svm在r语言中的应用