说明：进行K近邻分类器的编写，与k近邻分类器的测试

说明：kNN，用来分类分类速度快 容易理解,上手容易

说明：支持向量机MATLAB案例，消费类型分类，有数据和说明。

说明：支持向量机MATLAB案例，有数据和说明

说明：BP神经网络的数据分类-语音特征信号分类

说明：用于NLP cnn文本分类模型的训练数据

说明：随机森林分类器算法的应用，包含分类例子和回归例子

说明：分类方法，最大期望值算法，利用概率进行分类

说明：ELM（极限学习分类器）分类器是一个很好用的分类器，

说明：运用SIS+NBNN的方法进行分类，运用参考文献里的有关SIS与NBNN相结合的知识，所提供的两类数据，按照注意里的相关事项完成“bedroom”“forest”的分类。

说明：完整的随机森林R分类代码，导入数据直接可以使用

说明：svm分类，良好的分类效果，具有参考应用意义

说明：基于SVM的数据分类预测，意大利葡萄酒种类识别

说明：对文本用LDA进行分类，LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。

说明：对SVM神经网络进行参数优化，提升其分类器性能

说明：在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。 而 "Random Forests" 是他们的商标。 这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林(random decision forests)而来的。这个方法则是结合 Breimans 的 "Bootstrap aggregating" 想法和 Ho 的"random subspace method"" 以建造决策树的集合。

说明：案例1 BP神经网络的数据分类-语音特征信号分类

说明：该程序可以通过训练集对所构建的BP神经网络进行训练，并能通过测试集，即对不同的运动状态进行分类。

说明：1． 用 dataset1.txt 作为训练样本，用dataset2.txt 作为测试样本，采用身高和体重数据为特征，在正态分布假设下估计概率密度（只用训练样本），建立最小错误率贝叶斯分类器，写出所用的密度估计方法和得到的决策规则，将该分类器分别应用到训练集和测试集，考察训练错误率和测试错误率。将分类器应用到dataset3 上，考察测试错误率的情况。

说明：几种聚类的程序，适合初学者，对目标空间中的点进行分类，效果很好

说明：潘斌博士的高光谱分类算法代码，发表于2017年TGRS，效果较好

说明：高光谱图像分类算法，发表于2016年GRSL，效果较好，可以作为对比实验

说明：高光谱分类代码，算法发表于2016年TGRS，效果较好

说明：周志华教授深度森林算法代码，用于分类精度接近深度学习算法

说明：这些代码可用于构建ID3算法决策树分类器,之后通过该代码可将收集到的数据以决策树的形式表示出来

说明：这些代码可用于构建决策树分类器,之后通过该代码可将收集到的数据以决策树的形式表示出来，

说明：模糊C均值的详细说明文档,还包括硬分类与模糊分类的区别,欢迎下载,

说明：卷积神经网络（CNN）用来提取特征，采用SVM分类器进行训练和分类

说明：工具箱：OSU_SVM3.00 Classification_OSU_SVM.m - 多类分类

说明：深度学习中的深度信念网络，用于数据的分类和预测