包含模型选择、线性回归、非线性回归、分类问题、树算法、svm、非监督学习

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（ PSO）算法和支持向量机（ SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量;其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数;然后利用最优参数优化花粉浓度预测模型;最后，使用优化后的模型对花粉未来24h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（ BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。

内含MATLAB版本的SVM程序、PYTHON版本的SVM程序，以及LIBSVM-3.20封装svm的应用程序（可直接通过CMD调用），内含详细代码注释以及软件使用情况

imagenet-caffe-alex.mat 用于matlab中CNN+SVM使用

高光谱遥感影像SVM分类中训练样本选择的研究，王晓玲，杜培军，支持向量机（SVM）分类的关键是发现分类最优超平面及类别间隔，而混合像元比纯净像元更接近类别边界，更容易找出最优超平面。针对

基于CNN和SVM的人脸识别系统的设计与实现.pdf

几篇关于SVM的经典外文文献论坛上有的就不发啦-一些文献.rar 大家好！我是SVM的初学者，看到论坛上大家如此热烈的讨论，也把自己看到的几篇外文发出来。共勉！！！

svm的源代码 注释很详尽，想真正了解svm的人一定要看一看

改进的AdaBoost-SVM算法用于对等网络贷款平台的安全性和风险进行分类。 由于SVM算法难以处理稀有样本并且训练缓慢，因此使用规则采样来减少分类噪声。 然后，通过学习机的组合，可以识别P2P风险。 结果表明，IAdaBoost算法可以提高风险平台分类的准确性。 分类误差可控制在5％以内。

SVM-Chinese-Classification 利用支持向量机实现中文文本分类 先放，如果觉得写得不错，记得加个star哦，嘻嘻～ 基本流程 1、准备好数据食材、去停用词并利用结巴**(jieba)进行分词处理** 数据食材选用参考： jieba分词模块参考啦～ # 参照代码中的cutWords.py文件 2、利用卡方检验特征选择 **卡方检验：**在构建每个类别的词向量后，对每一类的每一个单词进行其卡方统计值的计算。 首先对卡方 检验所需的 a、b、c、d 进行计算。 a 为在这个分类下包含这个词的文档数量; b 为不在该分类下包含这个词的文档数量; c 为在这个分类下不包含这个词的文档数量; d 为不在该分类下，且不包含这个词的文档数量。 然后得到该类中该词的卡方统计值 公式为 float(pow((ad - bc), 2)) /float((a+c) * (a+b) * (b+