一、介紹：
LIBSVM是臺灣大學林智仁(Chih-Jen Lin)副教授等開發設計的一個簡單、易於使用和快速有效的SVM模式識別與迴歸的軟件包，他不但提供了編譯好的可在Windows系列系統的執行文件，還提供了源代碼，方便改進、修改以及在其它操作系統上應用；該軟件還有一個特點，就是對SVM所涉及的參數調節相對比較少，提供了很多的默認參數，利用這些默認參數就可以解決很多問題；並且提供了交互檢驗(Cross Validation)的功能。
二、安裝使用
1、下載
總共需要三個軟件：libsvm, python, gnuplot。（python安裝就不用說了，記得加python路徑到環境變量）
gnuplot是用來畫圖用的。可以直接去這裏下載http://download.csdn.net/detail/kuaile123/6252717
放置路徑如下：
E:\labSoftWare\gp373w32
E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9
2、修改參數
在c:\libsvm-2.9\tools中修改easy.py和grid.py的路徑:
①打開easy.py 修改地方如下：
else:
# example for windows
svmscale_exe = r"E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9\windows\svm-scale.exe"
svmtrain_exe = r"E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9\windows\svm-train.exe"
svmpredict_exe = r"E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9\windows\svm-predict.exe"
gnuplot_exe = r"E:\labSoftWare\gp373w32\pgnuplot.exe"
grid_py = r"E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9\tools\grid.py"
②點中grid.py修改路徑如下：
else:
# example for windows
svmtrain_exe = r"E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9\windows\svm-train.exe"
gnuplot_exe = r"E:\labSoftWare\gp373w32\pgnuplot.exe"
三、訓練步驟
裏面的語法和參數說明：按照 E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9和E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9\tools下的README
(1)按照LIBSVM軟件包所要求的格式準備數據集；
libSVM的數據格式
Label 1:value 2:value ….
Label：是類別的標識，比如1 -1，可以自己隨意定，比如-10，0，15。當然，如果是迴歸，這是目標值，就要實事求是了。
Value：就是要訓練的數據，從分類的角度來說就是特徵值，數據之間用空格隔開
需要注意的是，如果特徵值爲0，特徵冒號前面的(姑且稱做序號)可以不連續。如：
-15 1:0.708 3:-0.3333
表明第2個特徵值爲0，從編程的角度來說，這樣做可以減少內存的使用，並提高做矩陣內積時的運算速度。
準備的數據存放於txt中，如 heart.txt
可以在這裏下載http://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/binary/heart
(2)對數據進行縮放操作；
svm-scale是用來對原始樣本進行縮放的，範圍可以自己定，一般是[0,1]或[-1,1]。縮放的目的主要是
1）防止某個特徵過大或過小，從而在訓練中起的作用不平衡；
2）爲了計算速度。因爲在覈計算中，會用到內積運算或exp運算，不平衡的數據可能造成計算困難。
用法：svm-scale [-l lower] [-u upper]
[-y y_lower y_upper]
[-s save_filename]
[-r restore_filename] filename
其中，[]中都是可選項：
-l：設定數據下限；lower：設定的數據下限值，缺省爲-1
-u：設定數據上限；upper：設定的數據上限值，缺省爲 1
-y：是否對目標值同時進行縮放；y_lower爲下限值，y_upper爲上限值；
-s save_filename：表示將縮放的規則保存爲文件save_filename；
-r restore_filename：表示將按照已經存在的規則文件restore_filename進行縮放；
filename：待縮放的數據文件，文件格式按照libsvm格式。
默認情況下，只需要輸入要縮放的文件名就可以了：
svm-scaleheart.txt
這時，test.txt中的數據已經變成[-1,1]之間的數據了。但是，這樣原來的數據就被覆蓋了，爲了讓規劃好的數據另存爲其他的文件，我們用一個dos的重定向符 > 來另存爲(假設爲out.txt)：
svm-scaleheart.txt > out.txt
運行後，我們就可以看到目錄下多了一個out.txt文件，那就是規範後的數據。假如，我們想設定數據範圍[0,1]，並把規則保存爲heart.range文件:
svm-scale –l 0 –u 1 -sheart.range heart.txt > out.txt
將數據heart.txt保存在E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9\windows文件夾下
svm-scale -l 0 -u 1 heart.txt > heart.scale.txt
(3)選用適當的核函數；
(4)採用交叉驗證選擇懲罰係數C與g的最佳參數；
cd 到所要保存文件的路徑下 輸入
python E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9\tools\grid.py -log2c -10,10,1 -log2g -10,10,1 E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9\windows\heart.scale.txt > test.txt
會出錯顯示 libsvm NameError: global name 'split' is not defined
原因是split使用語法錯誤，跟python版本不一致造成的，將split(argv[i],",") 都替換爲argv[i].split(",")
這個需要一段時間，產生一個test.txt文件，其中記錄了參數尋優的結果
可以看到，參數分別爲c 2.0，g 0.03125，正確率mse爲84%。
還可以得到heart.scale.txt.png
(5)採用獲得的最佳參數對整個訓練集進行訓練獲取支持向量機模型；
svm-train用法：
用法： svm-train [options] training_set_file [model_file]
其中，options爲操作參數，可用的選項即表示的涵義如下所示:
-s設置svm類型：
0 – C-SVC
1 – v-SVC
2 – one-class-SVM
3 –ε-SVR
4 – n - SVR
-t設置核函數類型，默認值爲2
0 -- 線性核：u'*v
1 -- 多項式核： (g*u'*v+coef0)degree
2 -- RBF 核：exp(-γ*||u-v||2)
3 -- sigmoid 核：tanh(γ*u'*v+coef0)
-d degree:設置多項式核中degree的值，默認爲3
-gγ:設置核函數中γ的值，默認爲1/k，k爲特徵（或者說是屬性）數；
-r coef 0:設置核函數中的coef 0，默認值爲0；
-c cost：設置C-SVC、ε-SVR、n - SVR中從懲罰係數C，默認值爲1；
-n v：設置v-SVC、one-class-SVM與n - SVR中參數n ，默認值0.5；
-pε：設置v-SVR的損失函數中的e，默認值爲0.1；
-m cachesize：設置cache內存大小，以MB爲單位，默認值爲40；
-eε：設置終止準則中的可容忍偏差，默認值爲0.001；
-h shrinking：是否使用啓發式，可選值爲0或1，默認值爲1；
-b概率估計：是否計算SVC或SVR的概率估計，可選值0或1，默認0；
-wi weight：對各類樣本的懲罰係數C加權，默認值爲1；
-v n：n折交叉驗證模式；
model_file：可選項，爲要保存的結果文件，稱爲模型文件，以便在預測時使用。
默認情況下，只需要給函數提供一個樣本文件名就可以了，但爲了能保存結果，還是要提供一個結果文件名，比如:test.model,則命令爲：
svm-train heart.txttest.model
利用上步所得到的的參數 c 2.0，g 0.03125 對heart.scale.txt進行訓練，cd 到 E:\labSoftWare\libsvm-2.9.tar\libsvm-2.9\windows 下輸入：
svm-train –c 2.0 –g 0.03125 -b 1 heart.scale.txt heart.scale.txt.model
注意此處這裏會生成 heart.scale.txt.model
注意要加 -b 1 不然進行c++連接訓練時會出錯。probability_estimates train a SVR model for probability estimates
(6)利用獲取的模型進行測試與預測。
svm-predict 是根據訓練獲得的模型，對數據集合進行預測。
用法：svm-predict [options] test_file model_file output_file
其中，options爲操作參數，可用的選項即表示的涵義如下所示:
-b probability_estimates——是否需要進行概率估計預測，可選值爲0或者1，默認值爲0。
model_file ——是由svmtrain產生的模型文件；
test_file——是要進行預測的數據文件，格式也要符合libsvm格式，即使不知道label的值，也要任意填一個，svmpredict會在output_file中給出正確的label結果，如果知道label的值，就會輸出正確率；
output_file ——是svmpredict的輸出文件，表示預測的結果值。
如在一個test1.txt文件輸入一個符合規則的值，輸出結果保存在result1.txt中，則 cmd下輸入 svm-predict test1.txtheart.scale.txt.model result1.txt