所有關於libsvm2.9的前期工作準備好以後，就必須考慮將自己的數據轉換爲libsvm對應的格式來做分類驗證的問題
訓練與測試數據文件的格式如下所示
<label> <index1>:<value1> <index2>:<value2>…
.
.
.
每行包含一個實例，並且以字符’/n’結束。對於分類來講，<label>是整型數據，表示類別（支持多分類）。對於迴歸來講，<label>是任意實數（浮點數），表示目標值。one-class SVM並不使用這個參數，所以使用什麼數值都可以。除非使用預計算好的內核（稍候章節介紹），否則<index>:<value>是描述屬性值的。<index>（索引）是從1開始的整型數據，而<value>（值）是實數（浮點型）。索引必須升序排列。在測試文件中的標籤只是用於計算精確度或錯誤率。如果它們是未知的，那麼只要將第一列賦任意數值
本包含有一個用於分類的示例數據文件，文件名是“heart_scale”。要驗證你的數據格式的正確性，請使用“tools/checkdata.py”工具（詳見文件“tools/README”）。
鍵入“svm-train heart_scale”，程序會讀讀入訓練數據並生成模型文件“heart_scale.model”。假設你有一個名爲“heart_scale.t”的測試集，那麼鍵入“svm-predict heart_scale.t heart_scale.model output”以測試預測精確度。文件“output”中含有預測的分類標籤。
本包中還有一些別的實用程序：
1.svm-scale(對數據進行歸一化):
將輸入數據數值化的工具。
用法：svmscale [-l lower] [-u upper] [-y y_lower y_upper] [-s save_filename] [-r restore_filename] filename （缺省值： lower = -1，upper = 1，沒有對y進行縮放） 其中:
-l：數據下限標記；lower：縮放後數據下限；
-u：數據上限標記；upper：縮放後數據上限；
-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；(迴歸需要對目標進行縮放，因此該參數可以設定爲 –y -1 1 )
-s save_filename：表示將縮放的規則保存爲文件save_filename；
-r restore_filename：表示將縮放規則文件restore_filename載入後按此縮放； f
ilename：待縮放的數據文件（要求滿足前面所述的格式）。
縮放規則文件可以用文本瀏覽器打開，看到其格式爲：
y
lower upper min max x
lower upper
index1 min1 max1
index2 min2 max2
„„ 其中的lower 與upper 與使用時所設置的lower 與upper 含義相同；index 表 示特徵序號；min 轉換前該特徵的最小值；max 轉換前該特徵的最大值。
數據集的縮放結果在此情況下通過DOS窗口輸出，當然也可以通過DOS的文件重定向符號“>”將結果另存爲指定的文件。
例:原始文件AORG，用svm-scale歸一化:svm-scale AORG >AORG.scale
該文件中的參數可用於最後面對目標值的反歸一化。反歸一化的公式爲：
（Value-lower）*（max-min）/(upper - lower)+lower
其中value爲歸一化後的值，其他參數與前面介紹的相同。
建議將訓練數據集與測試數據集放在同一個文本文件中一起歸一化，然後再將歸一化結果分成訓練集和測試集。
2.svmtrain(訓練數據，生成模型):
用法： svmtrain [options] training_set_file [model_file]
其中， options（操作參數）：可用的選項即表示的涵義如下所示 -s svm類型：設置SVM 類型，默認值爲0，可選類型有（對於迴歸只能選3或4）：
0 -- C- SVC 1 -- n - SVC 2 -- one-class-SVM 3 -- e - SVR 4 -- n - SVR -t 核函數類型：設置核函數類型，默認值爲2，可選類型有： 0 -- 線性核：u'*v 1 -- 多項式核： (g*u'*v+ coef 0)deg ree 2 -- RBF 核：e( u v 2) g - 3 -- sigmoid 核：tanh(g*u'*v+ coef 0) -d degree：核函數中的degree設置，默認值爲3；
-g g ：設置核函數中的g ，默認值爲1/ k ； -r coef 0：設置核函數中的coef 0，默認值爲0； -c cost：設置C- SVC、e - SVR、n - SVR中從懲罰係數C，默認值爲1； -n n ：設置n - SVC、one-class-SVM 與n - SVR 中參數n ，默認值0.5； -p e ：設置n - 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； -e e ：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。
其中-g選項中的k是指輸入數據中的屬性數。操作參數 -v 隨機地將數據剖分爲n 部分並計算交叉檢驗準確度和均方根誤差。以上這些參數設置可以按照SVM 的類型和核函數所支持的參數進行任意組合，如果設置的參數在函數或SVM 類型中沒有也不會產生影響，程序不會接受該參數；如果應有的參數設置不正確，參數將採用默認值。training_set_file是要進行訓練的數據集；model_file是訓練結束後產生的模型文件，該參數如果不設置將採用默認的文件名，也可以設置成自己慣用的文件名。
本實驗中的參數-s取3，-t取2（默認）還需確定的參數是-c，-g，-p
另， 實驗中所需調整的重要參數是-c 和 –g，-c和-g的調整除了自己根據經驗試之外，還可以使用gridregression.py 對這兩個參數進行優化。（需要補充）
該優化過程需要用到Python（2.5），Gnuplot（4.2），gridregression.py（該文件需要修改路徑）。
然後在命令行下面運行：
python.exe gridregression.py -log2c -10,10,1 -log2g -10,10,1 -log2p -10,10,1 -s 3 –t 2 -v 5 -svmtrain E:/libsvm/libsvm-2.86/windows/svm-train.exe -gnuplot E:/libsvm/libsvm-2.86/gnuplot/bin/pgnuplot.exe E:/libsvm/libsvm-2.86/windows/train.txt > gridregression_feature.parameter
以上三個路徑根據實際安裝情況進行修改。
-log2c是給出參數c的範圍和步長 -log2g是給出參數g的範圍和步長 -log2p是給出參數p的範圍和步長上面三個參數可以用默認範圍和步長 -s選擇SVM類型，也是隻能選3或者4 -t是選擇核函數 -v 10 將訓練數據分成10份做交叉驗證。默認爲5
爲了方便將gridregression.py是存放在python.exe安裝目錄下
trian.txt爲訓練數據，參數存放在gridregression_feature.parameter中，可以自己命名。
搜索結束後可以在gridregression_feature.parameter中最後一行看到最優參數。
其中，最後一行的第一個參數即爲-c，第二個爲-g，第三個爲-p，最後一個參數爲均方誤差。前三個參數可以直接用於模型的訓練。
然後，根據搜索得到的參數，重新訓練，得到模型。
3.svm-predict(測試):
用法：svmpredict [options] test_file model_file output_file options（操作參數）： -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；
output_file 是svmpredict 的輸出文件，表示預測的結果值。
輸出結果包括均方誤差（Mean squared error）和相關係數（Squared correlation coefficient）。
4.svm-toy:
簡單的圖形界面工具，它可以展示支持向 量機怎樣在二維空間（即平面）上將數據分類。你可以在該窗口上面單擊以繪製數據點。使用“change”按鈕來選擇類別1，2或3（也就是說，最多支持三 類），按“load”按鈕可以從文件載入數據，按“save”按鈕可以將數據保存到文件，按“run”按鈕可以獲得一個SVM模型（根據繪製的點集或從文 件載入的數據），按“clear”按鈕可以清屏。
在該窗口的底部文本框內，你可以輸入參 數，參數的句法和“svm-train”一樣。
注意：“load”和“save”只考 慮數據分類而不考慮迴歸的情況。每個數據點擁有一個標籤（顏色，必須是1，2或3）和兩個屬性（橫座標和縱座標），取值區間[0,1]。
