LSSVM的特性   1) 同样是对原始对偶问题进行求解，但是通过求解一个线性方程组（优化目标中的线性约束导致的）来代替SVM中的QP问题（简化求解过程），对于高维输入空间中的分类以及回归任务同样适用；   2) 实质上是求解线性矩阵方程的过程，与高斯过程（Gaussian processes），正则化网络（regularization networks）和费雪判别分析（Fisher discriminant analysis）的核版本相结合；   3) 使用了稀疏近似（用来克服使用该算法时的弊端）与稳健回归（稳健统计）；   4) 使用了贝叶斯推断（Bayesian inference）；   5) 可以拓展到非监督学习中：核主成分分析（kernel PCA）或密度聚类；   6) 可以拓展到递归神经网络中。

大数据十大经典算法SVM 讲解PPT

libsvm是台湾林智仁开发的支持向量机工具箱，非常有名。该资源中包含了其matlab最新版libsvm-mat-weights-3.0-1。作者利用此工具箱编写了一个多类识别的问题，对于svm的学习非常有帮助。该程序拥有良好界面，经过测试，可以放心使用。

微博评论数据集7962条，其中包含积极和消极情感倾向

libsvm的c#接口，可方便的在c#环境下调用libsvm

基于PSO-LSSVM的大地水准面拟合，师艳，剧成宇，大地水准面拟合是GPS高程研究的重点，可以使用支持向量机的回归功能。本文针对支持向量机存在的运算速度慢，且参数选取困难的问题

本文档包含SVM的详细推导过程和一些别的资料没有记载的理解。非常适合入门和想具体理解一些细微处的同学。

smo算法优化matlab代码从头开始支持向量机 该存储库包含用于在 MATLAB 中训练内核化 SVM（具有多类扩展）的代码，并且特别不依赖于任何优化库（例如用于二次编程）。 SVM 使用两种优化方法实现： 顺序最小优化 (SMO)。 具有可行起点的对数障碍（内点法）。 这两种优化方法都优化了 SVMS 的双目标公式，因此实现很容易内核化。 我们探索高斯核和多项式核。 我们在 MATLAB 客户端中直接可用的历史信用评级数据集上测试实现。 主要关注点是数值优化，因此我们主要分析算法的性能。 实现在./src 中可用，实验显示在experiments.mlx 和multiclass_experiments.mlx 文件中。 project.pdf 中提供了一篇文章（包括 SVM 目标的推导、算法描述和性能分析）。 我发现一些有用的资源： 道具.pdf Boyd, S., & Vandenberghe, L. (2004)。 凸优化

动笔写这个支持向量机(supportvectormachine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清楚，尽管网上已经有朋友写得不错了(见文末参考链接)，但在描述数学公式的时候还是显得不够。得益于同学白石的数学证明，我还是想尝试写一下，希望本文在兼顾通俗易懂的基础上，真真正正能足以成为一篇完整概括和介绍支持向量机的导论性的文章。本文在写的过程中，参考了不少资料，包括《支持向量机导论》、《统计学习方法》及网友pluskid的支持向量机系列等等，于此，还是一篇学习笔记，只是加入了自己的理解和总结，有任何不

Libsvm-FarutoUltimate3.1 based on libsvm-3.1 % faruto and liyang , LIBSVM-farutoUltimateVersion % a toolbox with implements for support vector machines based on libsvm,2011. % Software available at http://www.matlabsky.com % Chih-Chung Chang and Chih-Jen Lin, LIBSVM : a library for % support vector machines, 2001. Software available at % http://www.csie.ntu.edu.tw/~cjlin/libsvm