A．SVM安裝：
1. 在SVM工具包的根目錄下，輸入mex -setup選擇C++編譯器
2.在make文件夾下編譯make.m生成二進制文件，libsvmread.mexw64、libsvmwrite.mexw64、svmtrain.mexw64、svmpredict.mexw64。
3. 將svmtrain.mexw64,svmpredict.mexw64修改成libsvmtrain.mexw64和libsvmpredict.mexw64,將修改後的.mexw64文件放在windows文件夾下。
4. 添加路徑，在matlab的路徑設置中添加libsvm工具包的路徑。
B．測試：
[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');
model = libsvmtrain(heart_scale_label,heart_scale_inst, '-c 1 -g 0.07');
[predict_label, accuracy, dec_values] =libsvmpredict(heart_scale_label, heart_scale_inst, model);
出現以下結果說明安裝正確：
C．使用
1. 訓練
libsvm函數用於對訓練集的數據進行訓練，得到訓練好的模型。
model=libsvmtrain(training_label_vector,training_instance_matrix，['libsvm_options']);
這個函數有三個參數，其中
- -training_label_vector:訓練樣本的類標，如果有m個樣本，就是m x 1的矩陣（類型必須爲double）。這裏可以是二分類和多分類，類標是（-1,1）、（1,2,3）或者其他任意用來表示不同的類別的數字，要轉成double類型。
- -training_instance_matrix:訓練樣本的特徵，如果有m個樣本，每個樣本特徵是n維，則爲m x n的矩陣（類型必須爲double）。
- -libsvm_options:訓練的參數。
2. 預測
libpredict函數用於對測試集的數據進行測試，還能對未知樣本進行預測。
[predicted_label,accuracy, decision_values/prob_estimates]
= libsvmpredict(testing_label_vector, testing_instance_matrix, model,['libsvm_options']);
這個函數包括四個參數，其中
- -testing_label_vector:測試樣本的類標，如果有m個樣本，就是m x 1的矩陣（類型必須爲double）。如果類標未知，可以初始化爲任意m x 1的double數組。
- -testing_instance_matrix:測試樣本的特徵，如果有m個樣本，每個樣本特徵是n維，則爲m x n的矩陣（類型必須爲double）。
- -model:使用libsvmtrain返回的模型
- -libsvm_options:預測的參數，與訓練的參數形式一樣。
3. 訓練參數
LIBSVM訓練時可以選擇的參數很多，包括：
- -s svm類型：SVM設置類型（默認0)
- 0 C-SVC； 1 v-SVC； 2 一類SVM； 3 e-SVR； 4 v-SVR
- -t 核函數類型：核函數設置類型（默認2）
0 – 線性核函數：u’v
1 – 多項式核函數：（r*u’v + coef0)^degree
2 – RBF(徑向基)核函數：exp(-r|u-v|^2）
3 – sigmoid核函數：tanh(r*u’v + coef0) - -d degree：核函數中的degree設置（針對多項式核函數）（默認3）
- -g r(gamma）：核函數中的gamma函數設置（針對多項式/rbf/sigmoid核函數）（默認1/k，k爲總類別數)
- -r coef0：核函數中的coef0設置（針對多項式/sigmoid核函數）（（默認0)
- -c cost：設置C-SVC，e -SVR和v-SVR的參數（損失函數）（默認1）
- -n nu：設置v-SVC，一類SVM和v- SVR的參數（默認0.5）
- -p p：設置e -SVR 中損失函數p的值（默認0.1）
- -m cachesize：設置cache內存大小，以MB爲單位（默認40）
- -e eps：設置允許的終止判據（默認0.001）
- -h shrinking：是否使用啓發式，0或1（默認1）
- -wi weight：設置第幾類的參數C爲weight*C (C-SVC中的C) （默認1）
- -v n: n-fold交互檢驗模式，n爲fold的個數，必須大於等於2
5. 訓練返回的內容
libsvmtrain函數返回訓練好的SVM分類器模型，可以用來對未知的樣本進行預測。這個模型是一個結構體，包含以下成員：
-Parameters: 一個5 x 1的矩陣，從上到下依次表示：
-s SVM類型（默認0）；
-t 核函數類型（默認2）
-d 核函數中的degree設置(針對多項式核函數)(默認3)；
-g 核函數中的r(gamma）函數設置(針對多項式/rbf/sigmoid核函數) (默認類別數目的倒數)；
-r 核函數中的coef0設置(針對多項式/sigmoid核函數)((默認0)
· -nr_class:表示數據集中有多少類別，比如二分類時這個值即爲2。
· -totalSV:表示支持向量的總數。
· -rho: 決策函數wx+b中的常數項的相反數（-b）。
· -Label:表示數據集中類別的標籤，比如二分類常見的1和-1。
· -ProbA:使用-b參數時用於概率估計的數值，否則爲空。
· -ProbB:使用-b參數時用於概率估計的數值，否則爲空。
· -nSV: 表示每類樣本的支持向量的數目，和Label的類別標籤對應。如Label=[1;-1],nSV=[63; 67]，則標籤爲1的樣本有63個支持向量，標籤爲-1的有67個。
· -sv_coef:表示每個支持向量在決策函數中的係數。
· -SVs: 表示所有的支持向量，如果特徵是n維的，支持向量一共有m個，則爲m x n的稀疏矩陣。
5. 預測返回的內容
libsvmtrain函數有三個返回值，不需要的值在Matlab可以用~進行代替。
- -predicted_label：第一個返回值，表示樣本的預測類標號。
- -accuracy：第二個返回值，一個3 x 1的數組，表示分類的正確率、迴歸的均方根誤差、迴歸的平方相關係數。
- -decision_values/prob_estimates：第三個返回值，一個矩陣包含決策的值或者概率估計。對於n個預測樣本、k類的問題，如果指定“-b 1”參數，則n x k的矩陣，每一行表示這個樣本分別屬於每一個類別的概率；如果沒有指定“-b 1”參數，則爲n x k*(k-1)/2的矩陣，每一行表示k(k-1)/2個二分類SVM的預測結果。
6. 讀取或保存
libsvmread函數可以讀取以LIBSVM格式存儲的數據文件。
[label_vector,instance_matrix] = libsvmread(‘data.txt’);
這個函數輸入的是文件的名字，輸出爲樣本的類標和對應的特徵。
libsvmwrite函數可以把Matlab的矩陣存儲稱爲LIBSVM格式的文件。
libsvmwrite(‘data.txt’, label_vector,instance_matrix]
這個函數有三個輸入，分別爲保存的文件名、樣本的類標和對應的特徵（必須爲double類型的稀疏矩陣）。