matlab支持向量机工具箱，可直接用于建模

基于粒子群优化的最小二乘支持向量机，可以用于分类和回归预测，经过PSO的参数优化，精度有一定提高

SVM法即支持向量机(Support Vector Machine)法，由Vapnik等人于1995年提出，具有相对优良的性能指标。该方法是建立在统计学习理论基础上的机器学习方法。通过学习算法，SVM可以自动寻找出那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，因而有较好的适应能力和较高的分准率。该方法只需要由各类域的边界样本的类别来决定最后的分类结果。 支持向量机算法的目的在于寻找一个超平面H(d),该超平面可以将训练集中的数据分开，且与类域边界的沿垂直于该超平面方向的距离最大，故SVM法亦被称为最大边缘(maximum margin)算法。待分样本集中的大部分样本不是支持向量，移去或者减少这些样本对分类结果没有影响，SVM法对小样本情况下的自动分类有着较好的分类结果。

【SVR预测】基于混沌灰狼优化支持向量机回归预测SVR模型matlab源码.md

行业分类-设备装置-一种基于最小二乘支持向量机的水松纸透气度检测方法.zip

代码解释的详细，可以直接用，已经测试过了，很好用。

学习支持向量机拟合方法

最小二乘支持向量机分类程序实例，使用lssvm工具箱，安装好后，直接可以运行，包含注释，matlab程序源代码，简单易懂的分类例子，.m文件格式

该脚本基于嘈杂的训练数据估计非线性函数。 特别是，使用的支持向量回归是最小二乘法版本。 有两个自由参数： -C 用于避免过拟合-g 与 Radial Basis Function 的学习参数有关

四种支持向量机用于函数拟合与模式识别的Matlab示例程序