支持向量机回归预测代码,亲测可用的代码

可以用来做回归

数据挖掘原理与SPSS_Clementine应用宝典.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第1章 数据挖掘概述.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第2章 数据挖掘可挖掘的知识类型.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第3章 数据挖掘的体系结构与模型.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第4章 数据选择.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第5章 数据预处理.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第6章 回归分析.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第7章 贝叶斯分析.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第8章 聚类分析.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第9章 决策树算法.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第10章 关联规则.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第11章 粗糙集理论.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第12章 神经网络.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第13章 遗传算法.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第14章 支持向量机.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第15章 复杂对象数据挖掘.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第16章 数据挖掘建模.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第17章 数据挖掘模型评价.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第18章 SPSS Clementine基础.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第19章 SPSS Clementine数据管理.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第20章 数据的图形化展示.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第21章 数据模型.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第22章 数据挖掘结果的输出.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第23章 数据挖掘项目实施.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第24章 SPSS_Clementine典型案例分析.ppt

信用评价是上市公司财务困境预警研究的重要手段之一。本书介绍了肖当前国际上常用的三种信用评级建模方法：参数统计方法、非参数统计方法和神经网络方法，并详细介绍了各种方法的研究背景，建立了多层感知器、BP算法网络、径向基函数网络、概率神经网络和自组织竞争网络5种神经网络信用评价模型，logistic回归模型和两种线性判别分析法，以及两种支持向量机方法，并利用这9种方法进行了两类模式分类及三类模式分类，探讨了以上各各方法的模式分类能力及其预警能力。最后，研究并建立了logistic回归预测模型、AR及AR模型、ARCH类预测模型及神经网络预测技术，探讨了各种方法在我国股市波动预测中的应用。

libsvm试验数据及参数说明，试验数据只针对libsvm适用，数据为heart_scale.mat

MATLAB实现SVM(支持向量机)时间序列预测数据集

为解决手工选煤、湿法选煤中存在的效率低下、劳动强度大、水资源耗费、环境污染等诸多问题。研究了基于机器视觉的煤矸识别方法，在实验室中搭建了试验平台，开发了MFC软件应用平台，实现了煤矸实时识别；选取山西西山、内蒙古和陕西神木的煤和矸石作为样本，建立了样本图像库；取420张图像作为实验样本，提取样本的灰度均值、峰值灰度、能量、熵、对比度、逆差矩6个特征进行统计和分析；采用粒子群优化算法(PSO)对支持向量机(SVM)的进行优化，并对分类器进行训练和分类测试。对特征分析的结果表明，灰度特征比为纹理特征具有更好的区分度；PSO-SVM分类器测试中，以灰度、纹理、组合特征作为输入时，其识别准确率分别为95.83%、72.92%、93.75%，结果表明以灰度特征作为输入识别效果最好。

适合SVM初学者使用，matlab实现SVM算法进行分类 1.实验内容 (1)掌握支持向量机(SVM)的原理,核函数类型选择以及核参数选择原则等,并用malab的SVM函数求解各类分类问题实例。

关于分类的参考文献。。。

function [Alpha1,Alpha2,Alpha,Flag,B]=SVMNR(X,Y,Epsilon,C,D) % ChengAihua,PLA Information Engineering University,ZhengZhou,China % Email:aihuacheng@gmail.com % All rights reserved %本程序使用支持向量机法，实现对数据的非线性回归 %输入参数列表 % X 输入样本,n×l的矩阵，n为变量个数，l为样本个数 % Y 输出样本,1×l的矩阵，l为样本个数 % Epsilon ε不敏感损失函数的参数，Epsilon越大，支持向量越少 % C 惩罚系数，C过大或过小，泛化能力变差 % 注意：核函数的设定和修改在函数内部进行，数据预处理在函数外部进行 %输出参数列表 % Alpha1 α系数 % Alpha2 α*系数 % Alpha 支持向量的加权系数（α－α*）向量 % Flag 1×l标记，0对应非支持向量，1对应边界支持向量，2对应标准支持向量 % B 回归方程中的常数项