SVM（支撑向量机模型）是二（多）分类问题中经常使用的方法，思想比较简单，但是具体实现与求解细节对工程人员来说比较复杂。本文从应用的角度出发，使用Libsvm函数库解决SVM模型的分类与回归问题

对收集到测井数据进行去除异常值、插值、标准化、独热编码等数据预处理，分别得到预测储层物性的回归数据及识别储层含油气性的分类数据。 为了预测储层物性孔隙度，本文构建了SVM支持向量机回归模型，并对该网络的BoxConstraint和KernelScale等关键指标进行超参数调整。基于上述模型，采用留一法交叉验证将单个井作为测试集，其余不包含该井的测井数据作为训练集，以此来分析单个井的孔隙度预测结果。 对影响因素数据（除去取值深度）进行主成分分析（PCA），将第一主成分和第二主成分作为SVM支持向量机模型的输入向量序列，以六类流体性质（含油水层、差油层、干层、水层、油层及油水同层）作为标签形成输出向量序列。由于典型的SVM支持向量机只能处理二分类问题，因此本文分别构建了六个SVM分类器。并且利用混淆矩阵、ROC曲线及AUC面积来衡量以上分类模型的性能。 适用方向：统计学及机器学习算法（SVM）的实例应用 关键词：SVM支持向量机；留一法交叉验证；主成分分析；matlab

针对刀具使用时加工参数多变的实际情况，提出使用最小二乘支持向量机(is—s、rIⅥ)建立模型并对刀具磨损进行预测：首先引入最小二乘支持向量机建立刀具磨损模型，然后针对具体实验数据，采用交叉验证的办法，选取优化的核参数。实验和仿真结果表明：该模型可以有效地学习刀具磨损中的非线性关系，刀具磨损的预测精度较高。因此该模型可以用作对实际加工中的刀具磨损进行有效预测，并为切削参数的实际选择提供依据。