liblinear最新版1.96（2014.11出），有需要的拿去

详细的介绍了SVM分类算法，从数学推导过程到代买实现，文档内容均来自csdn博客整理

matlab弹球代码Unified_Pin_SVM 它是 Unified Pin-SVM QPP 的 MATLAB 实现，它可以真正意义上最小化 Pinball 损失函数，而无需担心其参数 tau 的符号。 题为“评论弹球损失支持向量机”的论文中描述的所有实验结果都可以通过这些代码获得。 以下是通过单击获得题为“评论弹球损失支持向量机”的论文中详述的所有数值结果的步骤。 在 MATLAB 中打开名为“main_2linear.m”的文件。 对于线性内核结果，在第 277 行设置 kernel=1，对于非线性内核结果，设置 kernel=2。 运行代码。 20 个常见基准数据集的数值结果（在题为“评论弹球损失支持向量机”的论文中也有详细说明）将简要显示在命令窗口中。 它还可以存储在 excel 文件 'nonlin_res_pin.xlsx' 中。 论文中使用的所有图都将由一个生成。 文件详细信息 'Unfied_pin_svm.m' 是提议的统一 Pin-SVM 模型的 quadprog 实现。 'pin_svm.m' 是现有 Pin-SVM 模型的 quadprog 实现。 如有任何

深入浅出讲解SVM的原理和应用，有点类似于傻瓜式的教学方法，个人觉得很有帮助。 SVM入门（一）SVM的八股简介 SVM入门（二）线性分类器Part 1 SVM入门（三）线性分类器Part 2 SVM入门（四）线性分类器的求解——问题的描述Part1 SVM入门（五）线性分类器的求解——问题的描述Part2 SVM入门（六）线性分类器的求解——问题的转化，直观角度 SVM入门（七）为何需要核函数 SVM入门（八）松弛变量。 SVM入门（九）松弛变量（续）。 SVM入门（十）将SVM用于多类分类。

java的svm分类测试，包含数据集，包含数据集，包含数据集，包含数据集

附件为SVM模型应用案例的源文件及代码。

matlab中svm图片分类代码pointCloudsClassification 该Matlab代码实现了Andrew E. Johnson和Martial Hebert撰写的论文中的解决方案。 目标是识别代表道路上的物体​​（行人，汽车等）的3D点云。 属性的选择基于本文的建议。 我们使用了有关点的强度，边界框以及属性散布度，线性度和表面度的统计数据。 由于与其他班级相比，一个班级的代表人数过多，因此我们也重新平衡了班级人数。 “ dish_area”文件夹包含用于二进制分类的代码，该代码适用于菜式区域数据集。 此代码比较了高斯SVM，线性SVM和k-means算法。 “ lomita”文件夹包含用于多类别分类的代码。 我们使用了线性支持向量机，并比较了一种策略与所有策略以及一种策略与一种策略。 对于一个SVM与一个SVM，使用了2个超参数调整策略：在第一个中，为每个SVM一对一地选择超参数。 在第二个（“简化”）中，对所有SVM使用相同的超参数值 该代码是为学校项目创建的。

该课程是目前讲解SVM的最详细的课程，详细的讲解了SVM的数学推导过程，SMO算法的数学推导过程，并根据最终推导的公式使用python原生代码进行了实现，公式与代码一一对应。把最难理解的SVM讲解的非常透彻。

该数据集为svm练习过程中所用到的数据集，对应博客内容进行练习

近年来随着盲检测算法的提出，越来越多的基于采样协方差矩阵的盲检测算法应用于频谱感知。针对其检测门限是近似值，检测性能会受到影响等问题，提出了基于采样协方差矩阵的混合核函数的支持向量机（support vector machine,SVM）高效频谱感知，通过感知信号采样协方差矩阵的最大最小特征值（maximum minimum eigenvalue,MME）和协方差绝对值（covariance absolute value,CAV）提取的统计量作为SVM的特征向量并训练其生成频谱感知的分类器，无需计算检测门限并且特征提取减少了样本集的大小。利用遗传算法（genetic algorithm,GA）优化混合核函数的SVM的参数。实验结果表明，该方法比MME算法和CAV算法的检测概率有所提高，并且比SVM减少了感知时间，具有良好的实用性。