libsvm–下载台湾林老师的版本，现在更新到libsvm3.21。当做一般的工具箱的使用方法就可以了。
1、保存路径，选择在D:\Program Files\MATLAB\R2015a\toolbox\libsvm-3.21。将这个路径以及子文件夹添加到matlab路径中。其实只要windows文件夹下的就可以，为了方便吧，要是自己写的一些扩展的相关库函数捏。
2、libsvm-3.21\matlab\make.m运行，生成的.mexw64剪切进windows文件夹。
3、运行自带有测试数据，为软件包根目录下的heart_scale文件，可以用来测试LIBSVM是否安装成功。这里的heart_scale文件不能用Matlab的load进行读取，需要使用libsvmread读取。
[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);%注，heart_scale用txt打开可以看到格式，这个格式和特征矩阵和标签之间的转换，可以使用同学给的exe工具https://yunpan.cn/cSHvRW8JCTaBX 访问密码 4fa6。转成libsvm的特征格式就可以使用libsvm-3.21\tools中grid.py（网格寻参）、checkdata.py、easy.py、subset.py。grid.py参数寻优，是用来寻找RBF核中的C，gamma参数的。固定gamma，即可用来对线性核寻优。如c从2的-4次到2的0次
grid.py -log2c -4,0,1 -log2g 1,1,1 -t 0 -svmtrain c:\svm-train.exe -gnuplot c:\gnuplot\binary\gnuplot.exe -v 4 hog1.dat然而因为python不太懂，没有用libsvm自带的tools，主要是用matlab，以下就是用matlab，libsvm的方法。
一、libsvmtrain训练参数选择
用默认参数训练的效果如果不好的话（偶的数据集只有4.5%），就要试试寻参了，寻参之前先做归一化。从网上dang了一个normalization的小程序：
function normal = normalization(x,kind)
%输入：
%x:样本数据，每列为1个样本，每行为一类特征（属性）
% kind ：1 or 2 表示第一类或第二类规范化。默认归一化到[-1,1]
%输出：
%normal：归一化后的数据
if nargin < 2
kind = 2;%kind = 1 or 2 表示第一类或第二类规范化
end
[m,n] = size(x);
normal = zeros(m,n);
%% normalize the data x to [0,1]
if kind == 1
for i = 1:m
ma = max( x(i,:) );
mi = min( x(i,:) );
normal(i,:) = ( x(i,:)-mi )./( ma-mi );
end
end
%% normalize the data x to [-1,1]
if kind == 2
for i = 1:m
mea = mean( x(i,:) );
va = var( x(i,:) );
normal(i,:) = ( x(i,:)-mea )/va;
end
end归一化结束特征就可以用网格寻参来寻找bestc，bestg了。因为我用的feature维数是3772*655932，101类别，因为样本数<<特征数，所以一般情况下不需要svm从低维到高维的映射，也应该能找到分类的超平面，所以是用线性核，只需要寻找bestc，惩罚系数，寻参就是遍历c的不同值，测试当下的acc，寻找最高的acc对应的c，这里面可能会有多个最优解，选择min的c作为bestc，因为惩罚系数越大，train的结果的泛化能力越差，test的acc越低。贴下线性核函数的寻参代码：
function [bestacc,bestc] = findcforlinearkenrl(groups,feature)
cstep = 0.8;
v = 5;
cmax = 8;
cmin = -8;
X = meshgrid(cmin:cstep:cmax);
[m,n] = size(X);
cg = zeros(m);
eps = 10^(-4);
%% record acc with different c & g,and find the bestacc with the smallest c
bestc = 1;
bestacc = 0;
basenum = 2;
for i = 1:m%c
cmd = [' -c ',num2str( basenum^X(i) ),' -v ',num2str(v),' -t 0'];
cg(i) = svmtrain(groups, feature, cmd);
if cg(i) <= 55
continue;
end
if cg(i) > bestacc
bestacc = cg(i);
bestc = basenum^X(i);
end
if abs( cg(i)-bestacc )<=eps && bestc > basenum^X(i)
bestacc = cg(i);
bestc = basenum^X(i);
end
end三、寻参结束以后就可以train和test，因为对train和test的样本没有要求，所以是随机选择的。
[train,test] = crossvalind('holdOut',groups);
cp = classperf(groups);
svmStruct = svmtrain(normal_feature(train,:),groups(train),'-v 0 -c ');
%classes = svmclassify(svmStruct,feature(test,:));
[predict_label, accuracy, dec_values] =svmpredict(groups(test), normal_feature(test,:), svmStruct);%%注：k-folder cross-validation(k折交叉验证)
K-fold cross-validation (k-CV)则是Double cross-validation的延伸，做法是将数据集分成k个子集，每个子集均做一次测试集，其余的作为训练集。k-CV交叉验证重复k次，每次选择一个子集作为测试集，并将k次的平均交叉验证识别率作为结果。
优点：所有的样本都被作为了训练集和测试集，每个样本都被验证一次。本文使用的是K=5。
抄了一段定义：交叉验证（Cross validation）是一种评估统计分析、机器学习算法对独立于训练数据的数据集的泛化能力（generalize）， 能够避免过拟合问题。交叉验证一般要尽量满足：
1）训练集的比例要足够多，一般大于一半
2）训练集和测试集要均匀抽样
%%svm的多分类策略有one-vs-rest 和 one-vs-one，这里显然用的是后者，训练很多分类器，再加上寻参c的遍历，运行时间真是’棒棒’的，这里估计要采取一些策略，但是我还不知道怎么做合适。
libsvm的使用就结束了，但是调参和原理特别值得学习，经典的都是好的嘛。支持向量机的三重门，JUJY大神写的，值得好好学习
http://blog.csdn.net/v_july_v/article/details/7624837。
以及libsvm程序的注释：
http://www.pami.sjtu.edu.cn/people/gpliu/document/libsvm_src.pdf
ps：附录，便于以后查阅撒
1、训练参数
Options：
-s svm类型：设置SVM模型类型(默认0)
0 – C-SVC
1 – nu-SVC
2 – one-class SVM
3 – epsilon-SVR
4 – nu-SVR
-t 核函数类型：核函数设置类型(默认2)
0 – 线性核函数: u’*v
1 – 多项式核函数: (gamma*u’*v + coef0)^degree
2 – RBF核函数: exp(-gamma*|u-v|^2)
3 – sigmoid核函数: tanh(gamma*u’*v + coef0)
4 – 预定义核函数（指定核矩阵）
-d degree：核函数中的degree设置(针对多项式核函数)(默认3)
-g gama：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/num_features,即属性数目的倒数)
-r coef0：核函数中的coef0设置(针对多项式/sigmoid核函数)(默认0)
-c cost：设置C-SVC，epsilon-SVR和nu-SVC的参数(损失函数)(默认1)
-n nu：设置nu-SVC，one-class SVM和nu-SVR的参数(默认0.5)
-p epsilon：设置epsilon-SVR中损失函数epsilon的值(默认0.1)
-m cachesize：设置cache内存大小，以MB为单位(默认100)
-e eps：设置允许的终止判据(默认0.001)
-h shrinking：是否使用启发式，0或1(默认1)
-wi weight：设置第几类的参数C为weight*C(C-SVC中的C)(默认1)
-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2
参数 -v 随机地将数据剖分为n部分并计算交互检验准确度和均方根误差。
以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。
2、 训练返回的内容
libsvmtrain函数返回训练好的SVM分类器模型，可以用来对未知的样本进行预测。这个模型是一个结构体，包含以下成员：
-Parameters: 一个5 x 1的矩阵，从上到下依次表示：
-s SVM类型（默认0）；
-t 核函数类型（默认2）
-d 核函数中的degree设置(针对多项式核函数)(默认3)；
-g 核函数中的r(gamma）函数设置(针对多项式/rbf/sigmoid核函数) (默认类别数目的倒数)；
-r 核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)
-nr_class: 表示数据集中有多少类别，比如二分类时这个值即为2。
-totalSV: 表示支持向量的总数。
-rho: 决策函数wx+b中的常数项的相反数（-b）。
-Label: 表示数据集中类别的标签，比如二分类常见的1和-1。
-ProbA: 使用-b参数时用于概率估计的数值，否则为空。
-ProbB: 使用-b参数时用于概率估计的数值，否则为空。
-nSV: 表示每类样本的支持向量的数目，和Label的类别标签对应。如Label=[1; -1],nSV=[63; 67]，则标签为1的样本有63个支持向量，标签为-1的有67个。
-sv_coef: 表示每个支持向量在决策函数中的系数。
-SVs: 表示所有的支持向量，如果特征是n维的，支持向量一共有m个，则为m x n的稀疏矩阵。
另外，如果在训练中使用了-v参数进行交叉验证时，返回的不是一个模型，而是交叉验证的分类的正确率或者回归的均方根误差。
- 预测返回的内容
libsvmtrain函数有三个返回值，不需要的值在Matlab可以用~进行代替。
-predicted_label：第一个返回值，表示样本的预测类标号。
-accuracy：第二个返回值，一个3 x 1的数组，表示分类的正确率、回归的均方根误差、回归的平方相关系数。
-decision_values/prob_estimates：第三个返回值，一个矩阵包含决策的值或者概率估计。对于n个预测样本、k类的问题，如果指定“-b 1”参数，则n x k的矩阵，每一行表示这个样本分别属于每一个类别的概率；如果没有指定“-b 1”参数，则为n x k*(k-1)/2的矩阵，每一行表示k(k-1)/2个二分类SVM的预测结果。
4. 读取或保存
libsvmread函数可以读取以LIBSVM格式存储的数据文件。
[label_vector, instance_matrix] = libsvmread(‘data.txt’);
这个函数输入的是文件的名字，输出为样本的类标和对应的特征。
libsvmwrite函数可以把Matlab的矩阵存储称为LIBSVM格式的文件。
libsvmwrite(‘data.txt’, label_vector, instance_matrix]
这个函数有三个输入，分别为保存的文件名、样本的类标和对应的特征（必须为double类型的稀疏矩阵）。