多分类支持向量机的一种实现，直接构造多分类优化函数，比一对一、一对多等实现方法，可能更复杂，但分类结果应该更好点。压缩包里包括C源代码和编译好的可执行文件。我这里还有作者配套的论文，需要的请联系，可以一起学习讨论，呵呵

使用词袋模型（bow）和svm对字符图片实现多分类

SVM支持向量机Python代码，更改训练数据集和测试数据集可用

SVM编程（内含数据集） 您需要使用课程中介绍的随机梯度下降法来实现一个版本的软边距支持向量机。您将在给定的数据集（从课程网站下载）上运行代码，然后对测试数据集进行预测。衡量你得分的标准是你在测试数据集上的准确性。（提示：由于测试数据集中没有给定的标签，因此需要从训练集中创建验证数据集以优化参数）。

object_detection_hog_svm 使用HOG和SVM进行目标检测，主要代码来源于，可直接参考该仓库，本仓库仅仅为了自己的理解对文中代码进行阅读，后期加入定制的目标检测方法以及数据集。 基本思路 训练过程 准备一个数据集，包含pos（存在检测物体）和neg（不存在检测物体），这个数据集中的图像大小相同，比如（40, 100）高度x宽度，那么使用HOG检测子对数据集检测HOG特征，pos标记为正例样本，neg标记为负例样本，输入到SVM分类起进行训练，得到分类模型。 测试过程 输入一张图像，使用图像金字塔对图像进行下采样，每一个octave的图像进行滑窗操作，滑窗大小与训练数据集中的图像大小相同，比如（40, 100）高度x宽度，每一次滑窗后的图像提取HOG特征子，输入训练好的SVM分类器中进行预测，如果检测结果为正例样本，即pos存在检测物体，那么记录该检测结果，detect

matlab代码步骤 pca-svm pca+svm+matlab for face detection demo.m包含每个步骤的详细解释 我在博客中对该代码的条理进行了整理，具体可以看我的博客。博客地址： 如果觉得对你有帮助，请给个star支持下作者~

学习和了解MATLAB在神经网络中的应用，增加对MATLAB和神经网络的熟悉程度

SVM 初学者操作步骤，简述支持向量机从训练测试的所有过程。清晰明了，适用于初学者学习了解支持向量机的整个过程。

一个包含常用模式识别方法的工具箱，使用简单

鸢尾花数据集分析与线性分类。数据统计特性分析。Logistic回归和SVM方法，分类可视化