1. 求支持向量機預測股票價格的MATLAB程序，謝謝！
這個，可多啊，我有
2. 跪求支持向量回歸機SVR源代碼(最好是java的，matlab也可以），感激不盡
最有名的SVM程序包是台灣國立大學的林智仁教授開發的libSVM，直接在Google裡面輸入尋找官網下載，是C++編寫，但有matlab介面，在本地編譯後就可以使用，很方便。
3. 用svm做回歸預測，為什麼預測值都是一樣的
我發現我的問題是gamma那個參數設置的太大了，在默認參數附近設置就好了
4. 如何用Matlab做支持向量回歸機預測
matlab 支持向量機只能是單輸出，輸入的數目沒有限制，如果是多輸出的話，你可以針對每個輸出分別建立一個支持向量機，然後分別對應每個輸出進行預測。 這樣就相當於是多輸入多輸出了
5. 有想用遺傳演算法最小二乘支持向量機建模進行回歸預測，但是初學者，請問你有好的資料嗎，代碼呢謝啦！！
看來你已經可以自己寫代碼了
6. 相關向量機RVM做回歸預測，有在做的嗎，進來討論一下
Tipping（RVM的作者）說RVM是一種用於回歸和分類的貝葉斯稀疏核演算法，和SVM很像，但是避免了SVM的諸多缺點。
例如，SVM無法計算樣本輸出的後驗概率分布，SVM不太適用於多分類問題，SVM的超參數需要通過交叉驗證得到，這就非常耗費時間，而且SVM的核函數必須是正定的。
而RVM卻避免了這些缺點，這就意味著RVM可以計算輸出的概率分布、很自然的適用於多分類問題，超參數不需要通過交叉驗證得到，而且，核函數可以任意指定，不是必須要正定的。最後，RVM得到的解要比更SVM稀疏的解
7. 除了logistic regression（邏輯回歸）還有哪些模型可以預測一個事件發生或者不發生的概率
這個的話就是一個
比較典型的
基於機器學習演算法的
分類器的模型
基本上很多有監督的機器學習演算法
都能夠實現這樣的一個功能
比如說有決策樹演算法，支持向量機演算法
樸素貝葉斯演算法，神經網路演算法
隨機森林等等的這些
集成類的演算法
還需要保證的
就是要用充足的訓練集
從而可以對這些基於
監督學習的機器學習演算法模型
來進行更加的更為有效的
訓練以達到能夠
實現自動分類的目的
8. 邏輯回歸、決策樹、支持向量機演算法三巨頭
邏輯回歸、決策樹、支持向量機演算法三巨頭
1 邏輯回歸
首先邏輯回歸是線性回歸衍生過來的，假設在二維空間上，本質上還是一條線，那麼在三維空間，他就是一個平面。把數據分成兩邊，就是直的不能再直的一條線或者一個平面。那麼假設現在我們有兩個變數，就是圖中這兩個變數，為什麼假設y=1是壞客戶的話，根據圖中可以看到，單個變數的劃分並不可以把兩種類型的客戶分的很好，要兩個變數相互作用，假設x1為查詢次數，x2為在還貸款筆數，那可以看到當x1小以及x2比較小的時候，那麼客戶肯定在左下角的地方，那麼當他其中一項比較高的時候就會趨於右上角，x1 x2都高的時候，就是越過分割線，落於分割線的上方了。這里我們可以看到，x1 x2是兩個有趨勢性的變數才可以達到這種這么好的一個分類效果。
那麼現在假設數據是以下這種：
可以看到變數的趨勢跟y的分類沒有什麼關系的時候，這時候邏輯回歸就顯得很雞肋，分的效果一點都不好。
2 決策樹
決策樹。剛才說的是邏輯回歸是一條直到不能再直的直線或者平面，那麼決策樹就是一條會拐彎，但是不能有角度的，永遠直行或者90度拐的直線或者面，看下圖，你可以理解為決策樹就是一條貪吃蛇，他的目標就是把好壞客戶分的很清晰明了，要是貪吃蛇過分的貪吃就會造成過擬合，那麼過擬合是啥，就是你問你喜歡的妹紙，妹紙你喜歡什麼樣的男生，妹紙說，我喜歡長的好看的，帥氣，溫柔體貼，會做飯的，巴拉巴拉一大堆，足足100多條，然後你實在太喜歡妹紙，所以按照她的要求，到頭來你真的跟妹紙在一起了，妹紙說，其實我只要你長得好看就可以了，其他的100多條都是無所謂的。拉回來決策樹，決策樹適應的數據假設像邏輯回歸那種數據的話，其實按照決策樹的這種貪吃蛇的方式其實還是很難分的，所以決策樹適用的數據是變數與因變數呈現一個u型分布的數據，就是兩頭是一類，單峰聚集了另外一類數據。你在變數特徵分析的，看到變數都是呈現這種趨勢的，你就要暗喜了，老子要用決策樹立功了！！！
3 支持向量機
支持向量機，要是沒有數學基礎的人看支持向量機的把低維的數據轉化成高維可以在高維空間分類的演算法這句話時候估計是一臉懵逼，我以前也是很懵逼，這到底是啥，我們以只有兩個變數的舉個例子，譬如你現在相區分一群客戶的好壞，這時候就給出這群人的兩個變數，查詢次數和貸款次數，然後這時候你通過某些什麼開方啊，冪次數，取對數的方式啊，你剛好擬合除了三元方程，這條方程你把身高體重的數據輸進去，算出來的第三個未知數在這條方程裡面的，就是男的，在這方程裡面就算女的，這樣子可能你不是很清楚，請看下圖
剛才我們把數據丟進入，支持向量機幫我們這份數據擬合了這個圓，把這兩類數據分的像圖中的這樣子很好，那麼這時候我們需要這條圓的方程，產生變數的運用口徑，這條方程是：
25=(x-5)2+(y-5)2那麼這時候當貸款次數和查詢次數分別減5再2次冪的時候如果數小於25那麼就是好客戶，假設大於25就是壞客戶。支持向量機是在除了變數所有的維度之外又給了他一個維度之後，把擬合的方程再投放在原來的維度空間。支持向量機可以適用的數據那麼就是在你用決策樹和邏輯回歸走投無路的時候就可以用支持向量機了，但是就像我們剛才得出這道方程一樣，出來的變數口徑是沒有邏輯的，他可能要變數開方，取對數，假設你這模型要跟業務去解釋的時候，我就不知道你要想多少套路了。
9. 一個多項式回歸模型與支持向量機回歸模型預測結果差不多,是不是應該選多項式回歸
沒學過sorry