以通俗简介的方式，从浅入深介绍SVM原理和代码流程 让你从此不再惧怕SVM 视频部分： 01_SVM之回顾梯度下降原理02_SVM之回顾有约束的最优化问题03_SVM之回顾有约束的最优化问题-KKT几何解释04_SVM之回顾有约束的最优化问题-KKT数学解释05_SVM之回顾距离公式和感知器模型06_SVM之感知器到SVM的引入07_SVM之线性可分时损失函数的表示08_SVM之线性可分时损失函数的求解-对w,b变量求偏导09_SVM之线性可分时损失函数的求解-对β变量求解.10_SVM之线性可分时算法整体流程11_SVM之线性可分时案例12_SVM之线性不可分时软间隔介绍13_SVM之线性不可分时软间隔优化目标14_SVM之线性不可分时软间隔算法整体流程15_SVM之线性不可分时数据映射高维解决不可分问题16_SVM之线性不可分时核函数引入17_SVM之线性不可分时核函数讲解18_SVM代码之线性可分时和Logistic回归比较19_SVM代码之基于鸢尾花数据多分类参数解释20_SVM代码之基于鸢尾花数据网格搜索选择参数21_SVM代码之不同分类器，核函数，C值的可视化比较2

python分别实现基于神经网络、线性回归、SVM方法预测学生成绩源码+数据集.zip 【完成的任务】 根据提供一组包含学生成绩与校园卡消费记录的数据。我对数据进行预处理后，分别采用神经网络、线性回归和SVM方法对学生学习成绩进行了回归。准确率为78%。 结果表明，学生经常去图书馆自习、每天在食堂吃饭不超过16块且前3学期学习成绩达到优秀的学生，在第4学期很可能再次达到优秀。该结果只针对次数据集。

sobel定位 颜色定位 车牌识别总体分为三步：车牌定位-->车牌检测-->车牌字符识别 整个项目附有详细操作步骤和说明，通俗易懂，SVM支持向量机来做车牌检测、传统图像处理技术来做字符分割、识别。

支持向量机(SVM)在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。本资料包含了SVM的完整解析及全部实现代码。从DataSet.txt中导入数据一直讲到SVM的线性非线性实现。

WBPC康纳斯星州乳腺癌数据集，包括诊断数据集与预后诊断数据集，源数据，可以作为KNN、SVM等机器学习的练习数据使用

SVM支持向量机分类鸢尾花数据集iris（jupyter实现） 附带可视化图片

本期做的是基于python的hog+svm机器学习实现目标检测。 算法部分 本次是基于python的hog+svm实现目标检测，是对草莓的识别。 数据集放在“data”文件夹下 “data”下的子文件夹有几个子文件夹就是几分类。 代码依次运行 python 01svm_train.py 会在weights文件夹生成模型 python 02detect_photo.py 会调用模型，通过hog+nms对单张图片实现目标检测 需要查看其他代码的可看b站视频演示： https://space.bilibili.com/124080712?spm_id_from=333.1007.0.0 其他小项目完整代码： https://blog.csdn.net/qq_34904125?type=download

印度古典舞蹈的分类 本文提出的算法旨在在印度古典舞领域实现姿势识别。 姿势分类考虑了三种不同的舞蹈，即巴拉特纳坦舞，卡萨克舞和奥迪西舞，以及全部15种姿势。 将创建一个包含100张图像的初始数据库，并将其分为训练和测试数据集。 选择Hu矩作为特征提取技术来描述图像的形状上下文，因为它们是缩放，平移和旋转不变的。 为了提取Hu矩，将图像的前景和背景分离，然后将所得图像转换为二进制图像。 由于这是一个多类分类问题，因此，SVM是使用“一对一”和“一对一”的方法实现的，并且两种方法的结果均与线性和RBF内核进行对比。 ＃执行程式码的步骤 使用binary.py将所有色度照相像转换为二进制。 运行

支持向量机 (SVM) 是一个非常经典且高效的 分类模型. 但是, 支持向量机中涉及许多复杂 的数学推导, 并需要比较强的凸优化基础, 使 得有些初学者虽下大量时间和精力研读, 但仍 一头雾水, 最终对其望而却步. 本文旨在从零 构建支持向量机, 涵盖从思想到形式化, 再简 化, 最后实现的完整过程, 并展现其完整思想 脉络和所有公式推导细节. 本文力图做到逻辑 清晰而删繁就简, 避免引入不必要的概念, 记 号等. 此外, 本文并不需要读者有凸优化的基 础, 以减轻读者的负担. 对于用到的优化技术, 在文中均有其介绍. 尽管现在深度学习十分流行, 了解支持向量机 的原理, 对想法的形式化, 简化, 及一步步使模 型更一般化的过程, 及其具体实现仍然有其研 究价值. 另一方面, 支持向量机仍有其一席之 地. 相比深度神经网络, 支持向量机特别擅长 于特征维数多于样本数的情况, 而小样本学习 至今仍是深度学习的一大难题.

Matlab写的SVM源代码 代码质量还是挺好的 开放下载~