搜索资源列表
-
0下载：
支撑矢量机
class CvSVM : public CvStatModel //继承自基类CvStatModel
{
public:
// SVM type
enum { C_SVC=100, NU_SVC=101, ONE_CLASS=102, EPS_SVR=103, NU_SVR=104 } //SVC是SVM分类器，SVR是SVM回归
// SVM kernel type
-class Support Vector Machine CvSVM
-
-
0下载：
线性支撑矢量机分类器
对模式识别问题中的线性可分问题进行分类-Linear support vector machine classifier pattern recognition problems in the linear separable classification
-
-
0下载：
用matlab来实现支持向量机的分类器算法的全部程序设计，以及详细解释-To realize the full program design classifier support vector machine algorithm with MATLAB, and explain in detail
-
-
1下载：
支持向量机SVM(Support Vector Machine）作为一种可训练的机器学习方法，依靠小样本学习后的模型参数进行导航星提取，可以得到分布均匀且恒星数量大为减少的导航星表。
基本情况 Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机（Support Vector Machine，简称SVM）。支持向量机的提出有很深的理论背景。
支持向量机
-
-
1下载：
用matlab实现Part1. 实现一个k近邻分类器，Part 2.实现一个最小二乘分类器，Part 3.实现一个支持向量机分类器，Part 4.在不同数据集上使用交叉验证选择各个算法的参数-Part1. Achieve a k-nearest neighbor classifier, Part 2. Achieve a least-squares classifier, Part 3. Implement a support vector machine classifier, Part 4.
-
-
0下载：
这是一个在matlab环境下运行，使用SVM支持向量机对葡萄酒种类进行分类的例子，对于学习SVM分类的朋友而言，应该有所帮助。-This is a run in the matlab environment, the use of SVM support vector machine classification of wines example, for learning SVM classifier friends, it should be helpful.
-
-
0下载：
implementation Support Vector Machine classifier that you can add some training data and refine the model after it is initialized.
-
-
0下载：
支持向量机分类器的工具箱，可以载入自己的数据实现支持向量机分类。-Support vector machine classifier toolkit, you can load your own data to achieve support vector machine classifier.
-
-
0下载：
MachLearn:已经实现了朴素贝叶斯分类器、决策树、支持向量机算法。在Linux上可成功编译-MachLearn: has achieved a naive Bayes classifier, decision trees, support vector machine algorithm. Successfully compile on Linux
-
-
0下载：
通过MATLAB实现基于SVM支持向量机的分类器的设计和仿真-The design and Simulation of the classifier based on SVM support vector machine is realized by MATLAB
-
-
1下载：
本内容是有关机器学习的包含贝叶斯分类器，随机森林，支持向量机，神经网络，logistic多元回归等(The contents of this paper are machine learning, including Bayesian classifier, random forest, support vector machines, neural network, logistic multiple regression and so on)
-
