模拟退火、神经网络、动态规划、时间序列分析、支持向量机等优化统计算法的matlab实现，部分算法使用lingo软件编写（如排队论，比matlab程序简洁很多）

LibSVM（支持向量机工具包）是林智仁教授组织开发的，功能齐全，易于调用。同时，该资源免费增送《MATLAB-LIBSVM安装及测试过程》文档，方便大家学习使用！

official_classification.py ： 使用了较多的sklearn中提供的聚类函数 self_classification.py ： 使用了较多的手写聚类函数（手写高斯聚类由于计算高维矩阵n次方报错，就没有使用） 两者可以相互比较看手写函数效果如何。 model.py ： 其中包含了kmeans，lvq，mixture-of-gaussian聚类函数，以及计算精度和NMI的手写函数，处理标签映射的匈牙利算法。 由于学习向量量化是依据ground truth的得到的一组原型向量，是有监督的学习，因此计算其精度没有意义，在函数里就没有计算精度和NMI，只打印出了原型向量 函数运行时会有warning，不用在意，手写的函数没有优化，速度较慢 代码对三个数据集，分别使用了kmeans，lvq，mixture-of-gaussian三个方法，在得到预测标签后，采用匈牙利算法对标签进行处理，计算其精确度acc和标准互信息nmi 这三种方法聚类的精度只有百分之五十几，在数据集yale中效果较差 运行方法： 安装相应需求的库，直接运行official_classifica

支持向量机非线性回归通用MATLAB源码，希望对大家有用

基于支持向量机和BP网络的模型预测svm.m

支持向量机的新版本libSVM3.22 快速安装 安装教程见本人博客。

基于餐饮评论数据的情感分析（主要涉及到短文分类，分别使用朴素贝叶斯、支持向量机、Xgboost 进行情感值的二分类） 本文主要通过情感分析来挖掘评论中有价值的信息。 获取所研究数据，即大众点评餐饮评论数据，通过分词去除停用词、词性标注等操作进行数据预处理，然后通过机器学习的方法来分析餐饮评论的情感极性，来进一步挖掘评论中有价值的信息。 使用python的结巴分词工具对中文文本进行分词。可用TF-IDF、词袋方法提取文本数据的特征。然后使用机器学习的方法进行文本分类，可以运用朴素贝叶斯（NB）、支持向量机（SVM）、随机森林等算法。查询了资料，考虑了速度、容错性、变量筛选能力、共性容忍度等因素，初步设想选用SVM算法。 ===》SVM算法优于NB 优于随机森林

从三个层次理解SVM，通俗易懂，切中主题，值得学习

采用的是美国西储大学轴承数据中心的滚动轴承数据，贝叶斯优化后的准确率高达99%，也包含了和遗传算法以及网格搜索优化支持向量机的对比！希望可以帮助到大家！！！给两个积分意思一下就行了

在线支持向量机回归matlab程序源码