基于SVM的支持向量机的源代码

支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、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。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（或称泛化能力）。matlab的SVM源代码，包括分类、拟合和回归。

SVM
AFEm.m
MLP_kernel.m
RBF_kernel.m
bay_errorbar.m
bay_initlssvm.m
bay_lssvm.m
bay_lssvmARD.m
bay_modoutClass.m
bay_optimize.m
bay_rr.m
bitreverse32.m
changelssvm.m
cilssvm.m
code.m
code_ECOC.m
code_MOC.m
code_OneVsAll.m
code_OneVsOne.m
codedist_bay.m
codedist_hamming.m
codedist_loss.m
codelssvm.m
crossvalidate.m
crossvalidatelssvm.m
csa.m
demo_fixedclass.m
demo_fixedsize.m
demo_yinyang.m
democlass.m
democonfint.m
demofun.m
demomodel.m
demomulticlass.m
denoise_kpca.m
eign.m
gcrossvalidate.m
gcrossvalidatelssvm.m
gridsearch.m
initlssvm.m
kentropy.m
kernel_matrix.m
kernel_matrix2.m
kpca.m
latentlssvm.m
latticeseq_b2.m
leaveoneout.m
leaveoneoutlssvm.m
lin_kernel.m
linesearch.m
linf.m
lssvm.m
lssvmMATLAB.m
mae.m
medae.m
misclass.m
mse.m
plotlssvm.m
poly_kernel.m
postlssvm.m
predict.m
predlssvm.m
preimage_rbf.m
prelssvm.m
progress.m
range.m
rcrossvalidate.m
rcrossvalidatelssvm.m
ridgeregress.m
ripley.mat
robustlssvm.m
roc.m
rsimplex.m
simann.m
simlssvm.m
simplex.m
smootherlssvm.m
tbform.m
trainlssvm.m
trimmedmse.m
tunelssvm.m
weightingscheme.m
windowize.m
windowizeNARX.m