代碼文件主要針對Matlab進行說明,但個人仍覺得講解的支持向量機內容非常棒,可以做爲理解這一統計方法的輔助資料;
LibSVM是臺灣林智仁(Chih-Jen Lin)教授2001年開發的一套支持向量機的庫，這套庫運算速度還是挺快的，可以很方便的對數據做分類或迴歸。由於libSVM程序小，運用靈活，輸入參數少，並且是開源的，易於擴展，因此成爲目前國內應用最多的SVM的庫。
這套庫可以從http://www.csie.ntu.edu.tw/~cjlin/免費獲得，目前已經發展到2.89版。下載.zip格式的版本，解壓後可以看到，主要有5個文件夾和一些c++源碼文件。
Java——主要是應用於java平臺；
Python——是用來參數優選的工具，稍後介紹；
svm-toy——一個可視化的工具，用來展示訓練數據和分類界面，裏面是源碼，其編譯後的程序在windows文件夾下；
tools——主要包含四個python文件，用來數據集抽樣(subset)，參數優選（grid），集成測試(easy),數據檢查(checkdata)；
windows——包含libSVM四個exe程序包，我們所用的庫就是他們，裏面還有個heart_scale，是一個樣本文件，可以用記事本打開，用來測試用的。
其他.h和.cpp文件都是程序的源碼，可以編譯出相應的.exe文件。其中，最重要的是svm.h和svm.cpp文件，svm-predict.c、svm-scale.c和svm-train.c（還有一個svm-toy.c在svm-toy文件夾中）都是調用的這個文件中的接口函數，編譯後就是windows下相應的四個exe程序。另外，裏面的 README 跟 FAQ也是很好的文件，對於初學者如果E文過得去，可以看一下。
下面以svm-train爲例，簡單的介紹下，怎麼編譯：（這步很簡單，也沒必要，對於僅僅使用libsvm庫的人來說，windows下的4個exe包已經足夠了，之所以加這步，是爲了那些做深入研究的人，可以按照自己的思路改變一下svm.cpp，然後編譯驗證）
我用的是VC 6.0，新建一個控制檯（win32 console application）程序，程序名叫svm-train（這個可以隨意），點擊OK後，選擇empty。
進入程序框架後，裏面什麼都沒有，然後找到你的程序目錄，把svm-train.c、svm.h和svm.cpp拷貝過去（.c文件是c語言的，要是你習慣了c++，你儘可以改成.cpp），然後把這3個文件添加到工程，編譯。。。如果沒錯誤，到debug下面看看，是不是有個svm-train.exe。其實windows下的svm-train.exe就是這樣編譯出來的。
哈哈，怎麼樣是不是很簡單。但是，這樣的程序直接運行沒意義，他要在dos下運行，接收參數才行。下面開始我們的libsvm的體驗之旅。
第一次體驗LibSvm
1.把LibSVM包解壓到相應的目錄（因爲我只需要裏面windows文件夾中的東東，我們也可以只把windows文件夾拷到相應的目錄），比如D:/libsvm。
2.在電腦“開始”的“運行”中輸入cmd，進入DOS環境。定位到d:/ libsvm下，具體命令如下:
d: (回車)
cd /libsvm/windows (回車)
(上面第一行是先定位到盤符d，第二行cd是定位到相應盤符下的目錄)
3.進行libsvm訓練，輸入命令：(這裏要注意文件的名字，2.89以前版本都是svmtrain.exe)
svm-train heart_scale train.model
heart_scale——是目錄下的已經存在的樣本文件，要換成自己的文件，只需改成自己的文件名就可以了
train.model——是創建的結果文件，保存了訓練後的結果
可以看到結果：
*
optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nSV = 132, nBSV = 107
Total nSV = 132
其中，#iter爲迭代次數，nu是你選擇的核函數類型的參數，obj爲SVM文件轉換爲的二次規劃求解得到的最小值，rho爲判決函數的偏置項b，nSV爲標準支持向量個數(0<a[i]<c)，nBSV爲邊界上的支持向量個數(a[i]=c)，Total nSV爲支持向量總個數（對於兩類來說，因爲只有一個分類模型Total nSV = nSV，但是對於多類，這個是各個分類模型的nSV之和）。
在目錄下，還可以看到產生了一個train.model文件，可以用記事本打開，記錄了訓練後的結果。
svm_type c_svc//所選擇的svm類型，默認爲c_svc
kernel_type rbf//訓練採用的核函數類型，此處爲RBF核
gamma 0.0769231//RBF核的參數γ
nr_class 2//類別數，此處爲兩分類問題
total_sv 132//支持向量總個數
rho 0.424462//判決函數的偏置項b
label 1 -1//原始文件中的類別標識
nr_sv 64 68//每個類的支持向量機的個數
SV//以下爲各個類的權係數及相應的支持向量
1 1:0.166667 2:1 3:-0.333333 … 10:-0.903226 11:-1 12:-1 13:1
0.5104832128985164 1:0.125 2:1 3:0.333333 … 10:-0.806452 12:-0.333333 13:0.5
………..
-1 1:-0.375 2:1 3:-0.333333…. 10:-1 11:-1 12:-1 13:1
-1 1:0.166667 2:1 3:1 …. 10:-0.870968 12:-1 13:0.5
到現在，第一次體驗libsvm到這就基本結束了，其他的兩個(svm-predict、svm-scale)的使用過程類似。怎麼樣，挺爽的吧。對於個別參數你還不理解，沒關係，下面我們會具體講到。
LibSvm使用規範:
其實，這部分寫也是多餘，google一下“libsvm使用”，就會N多的資源，但是，爲了讓你少費點心，在這裏就簡單的介紹一下，有不清楚的只有動動你的mouse了。需要說明的是，2.89版本以前，都是svmscale、svmtrain和svmpredict，最新的是svm-scale、svm-train和svm-predict，要是用不習慣，只需要把那四個exe文件名去掉中間的短橫線，改成svmscale、svmtrain和svmpredict就可以了，我們還是按原來函數名的講。
1. libSVM的數據格式
Label 1:value 2:value ….
Label：是類別的標識，比如上節train.model中提到的1 -1，你可以自己隨意定，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
比如: -15 1:0.708 2:1056 3:-0.3333
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。我們平時在matlab中產生的數據都是沒有序號的常規矩陣，所以爲了方便最好編一個程序進行轉化。
2. svmscale的用法
svmscale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：svmscale [-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：比如(已經存在的文件爲test.txt)
svmscale test.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)：
svmscale test.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test.range文件:
svmscale –l 0 –u 1 –s test.range test.txt > out.txt
這時，目錄下又多了一個test.range文件，可以用記事本打開，下次就可以用-r test.range來載入了。
3. svmtrain的用法
svmtrain我們在前面已經接觸過，他主要實現對訓練數據集的訓練，並可以獲得SVM模型。
用法： svmtrain [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：
svmtrain test.txt test.model
結果說明見LibSVM學習（二）.
4. svmpredict的用法
svmpredict是根據訓練獲得的模型，對數據集合進行預測。
用法：svmpredict [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。
至此，主要的幾個接口已經講完了，滿足一般的應用不成問題。對於要做研究的，還需要深入到svm.cpp文件內部，看看都做了什麼。