在我的项目中，我们应该使用基于 SVM 的算法。因此，为了获得有关 SVM 实现的基本概念，我们正在尝试实现一种算法，当输入一个由 1000 个整数组成的数组时，其中前 95 个整数的值范围为 0-5，然后接下来的 5 个大约为 10,000，然后再次95 个整数的值范围从 0-5 和下一个 5 大约 10,000 等等，将能够预测接下来的 100 个整数（第 1001-1100 个），前 95 个整数在 0-5 左右，后 5 个整数在 10,000 左右 ...
如何实现？首选的编程语言是python。那么有没有像 libsvm 这样的 svm 模块可以促进这一点？
我知道这可能是一个愚蠢的问题，但任何帮助将不胜感激！
请回复
【问题讨论】：
标签： python r machine-learning svm libsvm
以下是来自Python wiki 的一些关于 AI（特别是 SVM）的资源：
Milk - Milk 是 Python 中的机器学习工具包。它的重点是有几个可用分类器的监督分类：SVM（基于 libsvm）、k-NN、随机森林、决策树。它还执行特征选择。这些分类器可以通过多种方式组合形成不同的分类系统。
LibSVM - LIBSVM 是用于支持向量分类（C-SVC、nu-SVC）、回归（epsilon-SVR、nu-SVR）和分布估计（一类 SVM）的集成软件。它支持多类分类。默认提供 Python 接口。
Shogun - 机器学习工具箱的重点是大规模核方法，尤其是支持向量机 (SVM)。它提供了一个通用的 SVM 对象，可以连接到几个不同的 SVM 实现，其中包括最先进的 OCAS、Liblinear、LibSVM、SVMLight、SVMLin 和 GPDT。每个 SVM 都可以与各种内核组合。该工具箱不仅提供了最常见内核的有效实现，例如线性、多项式、高斯和 Sigmoid 内核，而且还附带了许多最新的字符串内核。 SHOGUN 是用 C++ 实现的，并与 Matlab(tm)、R、Octave 和 Python 接口，并自豪地作为机器学习开源软件发布
【讨论】：