电影评论分类 使用SVM，最大熵分类器，逻辑和回归（从头开始）对unigram和bigrams进行电影评论分类

手写数字识别 使用 SVM、决策树和随机森林进行手写数字识别 MNIST 数据集已经在 Datasets 文件夹下给出。 svmfile.py 直接在 mnist 数据集上使用 svm。 Decisiontreefile.py 与 mnist 数据集上的决策树一起使用。 randomforestsfile.py 适用于 mnist 数据集上的随机森林。 在源代码中，一些行被注释。 特别是对不太成功的不同内核进行了评论。 您可以取消注释它们以使用不同的内核测试系统。 对于决策树分类，最后绘制决策树。 为了更准确地看到它，请放大，因为决策树有点大。 mnist 数据集的加载器取自： : 其用法： from mnist import MNIST mndata = MNIST('./dir_with_mnist_data_files') mndata.load_training() mn

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.

SVM源代码，实现了几种不同的SVM算法，可以作分类和回归估计，支持多分类及样本不均衡的情况

SVM是通过核函数将原始数据映射到高维空间，在高维空间进行线性分类。换句话说，在高维空间，这两类数据应该是线性可分的，即：最优分类面应该是一条直线，而这里看到的，是将高维空间分类的结果又映射回原始空间所呈现的分类结果，即：非线性的分类面。

一个SVM的demoRBFdemomatlab程序-svm-rbf-demo.rar 最近在学习支持向量机，在网上逛了很长时间，也尝试了很多的程序和软件包，觉得这个还不错，是matlab的m文件，希望对大家有帮助。 下载，解压，运行demo文件

testSetRBF2主要用于人工智能机器学习中的数据训练集使用

java支持向量机的单分类程序,包括训练、预测文本文档的读取，设置好路径，可运行

复旦大学顾晓东老师课程作业代码，python实现：用BP、RBF、SVM实现三个函数拟合；代码包括数据的产生，数据的输入，训练等

多核svm分类实现，vc工程文件，可直接编译