An Introduction to Support Vector Machines and Other Kernel-based Learning Methods 支持向量机导论

occ-svm 支持向量机（支持向量机）的一类分类。 这显示了我如何制作一个随机的一类数据集来表示一个小型企业场景，以及如何将OCC与SVM一起使用来分析该数据并查找模式/异常。

基于支持向量机的遥感图像分类方法,为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了 一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进 行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机 的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比 单纯运用光谱特征进行分类效果要好

用于支持向量机分类，内置网格搜索算法与K折交叉验证，给出最佳分类参数。

对应于机器学习教程进行实战，通过代码的实现，理解机器学习中支持向量机的原理。

在两类支持向量机的基础上,综合分级聚类和决策树的思想构造多类支持向量机,从而简化了分类器结构,减少了分类器数量,避免了拒绝分类区的出现,并加快了训练和识别速度。在小样本情况下对多类汽轮发电机组故障进行了诊断研究,结果表明该方法能够正确地对故障进行识别。

个人总结的支持向量机原理，基本摘自其它图书，主要内容如下： 1.首先介绍了学习支持向量机所需要的准备知识，包括VC维的定义、经验风险最小化原则、结构风险最小化原则； 2.重点讲解了支持向量机的原理，首先深入讲解支持向量机的最基础类型——线性可分支持向量机，在此基础上拓展到广义线性支持向量机、非线性支持向量机以及回归支持向量机，并介绍了近来支持向量机的改进算法； 3.给出了使用支持向量机需要注意的问题； 4.最后介绍了支持向量机在控制方面的应用举例。

Stroke_Prediction_6ML_models 该项目使用六个机器学习模型（XGBoost，随机森林分类器，支持向量机，逻辑回归，单决策树分类器和TabNet）进行笔画预测。 为此，我使用了Kaggle的“ healthcare-dataset-stroke-data”。 为了确定哪种模型最适合进行笔画预测，我绘制了每种模型的曲线下面积（AUC）。 AUC越高，模型越好

将支持向量机SVM(SupportVectorMachine)引入到动态电能质量分类问题中。在Matlab中编程建立了谐波、电压暂升、电压跌落、瞬时中断、电压波动、瞬变6种常见动态电能质量扰动数学模型,利用傅里叶变换和小波变换对产生的样本波形进行特征提取,产生训练和测试样本。给出了利用LIBSVM解决电能质量扰动分类问题的步骤,并根据分类结果对影响分类效果的参数进行了分析。对训练好的支持向量分类器进行测试,效果良好,当采用C-SVC,RBF核时调整参数可以得到最优分类效果,最高分类率可达到96.67%。