c++编写的支持向量机(SVM)实现二分类 实现功能：运行后会弹出图形坐标系，左键点击能产生第一类的数据点，点击鼠标中键后可再点击左键产生第二类的数据点，再点击鼠标中键后会在坐标系中画出分类超平面

使用SVM支持向量机进行鸢尾花分类_Python实现-附件资源

实现了拉格朗日，KKT条件SVM判断，通过SMO算法求得最佳aplpa。文件夹包括数据，*.py,*.ipynb文件

SVM支持向量机算法的详细推导(详细到每个步骤_值得推荐)

支持向量回归机（讲述如何将SVM从分类应用到到回归中去）

本代码用于二维数据不能采用简单线性划分去做划分的情况，采用python，支持向量机方式实现，对数据进行二分类，并自动绘制出三维立体图像。内含数据集txt格式，可直接运行。

support vector method for function approximation,regression estimation and signal processing 这是支持向量机的一个里程碑

基于SVM支持向量机算法的降水量预测模型代码_SVM_SVM预测_blues1l_基于SVM支持向量机对降水量的预测_降水、_源码.zip

自己分享SVM总结的一个PPT，介绍到硬间隔，有大概的推导过程，可以简单的了解

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。