基于多类支持向量机的多准则库存分类研究

为了在标记样本数目有限时尽可能地提高支持向量机的分类精度, 提出了一种基于聚类核的半监督支持向量机分类方法。该算法依据聚类假设, 即属于同一类的样本点在聚类中被分为同一类的可能性较大的原则去对核函数进

基于支持向量的支持向量机计算性能优化

针对现有的主动学习算法在多分类器应用中存在准确率低、速度慢等问题,将基于仿射传播AP聚类的主动学习算法引入到多分类支持向量机中,每次迭代主动选择最有利于改善多类SVM分类器性能的N个新样本点添加到训练

为了利用ROC曲线下的面积(AUC),更好地评价多类SVM学习效果,提出了MOSMAUC(multi-objective optimizes multiclass SVM based on AUC)算

支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linea

代码解释的详细，可以直接用，已经测试过了，很好用。

超经典的支持向量机svm分类算法,很适合初学者用

SVM在处理不平衡数据分类问题（class imbalance problem）时，其分类结果常倾向于多数类。为此，综合考虑类间不平衡和类内不平衡，提出一种基于聚类权重的分阶段支持向量机（WSVM）。

分析了基于均匀粒度的聚类方法构造分类器存在着与先验知识之间不协调的问题。提出了根据多粒度原理、基于人工免疫聚类来获取代表点集来构造分类器的方法，在一定程度上克服了聚类结果与先验知识之间的矛盾，并提高了

为克服传统支持向量机不能处理交叉数据分类问题，Mangasarian等人提出一种新的分类方法PSVM，该方法可有效解决交叉数据两分类问题，但用PSVM解决多分类问题还报道不多。为此，提出一种基于PSV