在机器学习领域，支持向量机SVM(Support Vector Machine)是一个有监督的学习模型，通常用来进行模式识别、分类(异常值检测)以及回归分析。 其具有以下特征：    (1)SVM可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。   (2) SVM通过最大化决策边界的边缘来实现控制模型的能力。尽管如此，用户必须提供其他参数，如使用核函数类型和引入松弛变量等。   (3)SVM一般只能用在二类问题，对于多类问题效果不好。 代码及详细解释(基于sklearn包)：

[英语] 本示例描述了支持向量机中用于分类的超平面，该代码是参考官方文档“Support Vector Machines for Binary Classification”创建的，如下所示。 ( https://jp.mathworks.com/help/stats/support-vector-machines-for-binary-classification.html?lang=en ) 虽然官方文档 00s 如何在 2D 空间中显示决策边界，但此示例表示如何在 3D 空间中描述炒作平面。 [日本人]当由支持向量机 (SVM) 分类时，在 3D 上可视化分离界面。如果有 4 个或更多变量，则无法在 xyz 平面上进行可视化。例如，它是有效的，因为您可以在更改内核类型时直观地检查边界表面如何变化。

本文档力求直白地介绍支持向量机SVM，其中用到的很多例子都是网上经典的SVM例子。文档适合小白入门学习使用，其中涉及的数学知识也尽可能用朴实的语言带过。希望对这方面的入门学习爱好者有帮助。

【目录】 概述 统计学习理论中的基本概念 统计学习理论的发展简况 统计学习理论的基本内容 支持向量机概述 研究现状 参考文献

脑电情绪识别二分类算法，采用模型决策树、SVM、KNN三个模型 （deap数据集），代码主要分为三部分：快速傅里叶变换处理（fft）、数据预处理、以及各个模型处理。采用的模型包括：决策树、SVM、KNN三个模型（模型采用的比较简单，可以直接调用库，很适合我这种新手，看起来也方便）。

自己训练的车辆检测分类器 级联层数18 基于HOG特征

利用PSO优化SVM中的惩罚参数c和核参数g 使用该函数须先安装成功libsvm，为了避免和matlab内置的函数冲突，最好将svmtrain.mexw64、svmpredict.mexw64这两个文件重命名为libsvmtrain.mexw64、libsvmpredict.mexw64，不然无法使用，有使用问题，请咨询

libsvm分类和回归GUI版本，及其使用介绍文档

SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测

人体检测梯度方向直方图 Histograms of Oriented Gradients for Human Detection