一、官方介绍
libsvm主页：https://www.csie.ntu.edu.tw/~cjlin/libsvm/index.html
libsvm介绍文档：~cjlin/papers/libsvm.pdf
官方关于更有效地使用libsvm的使用说明：~cjlin/papers/guide/guide.pdf （很有须要看）
数据库：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/
关于二分类的实例：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/binary.html
关于多分类实例：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/multiclass.html
常见问答：~cjlin/libsvm/faq.html ? （这里能够帮你解决好多疑惑）
有用工具列表：https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/ （guide提到的liblinear在此）
二、必要软件
libsvm-3.20：~cjlin/libsvm/libsvm-3.20.zip
python-2.7.10：https://www.python.org/ftp/python/2.7.10/python-2.7.10.msi（挪用python工具时使用）
gnuplot5.0.1：（用画图展示整个搜索最佳參数过程）
三、训练过程说明
——（以后输入命令以.bat格局存储就可以使用）
1、提取数据形式的特征：（类别标签 特征序号：特征值）
1 1:2.111 2:3.567 3:-0.125
．．．
0 1:2.156 2:3.259 3:0.258
．．．
分袂将训练样本数据和測试样本数据存成名为train的文件和名为test的文件（仅为了便利区分）
2、对特征数据进行缩放（提高运算效率）
svm-scale -l -1 -u 1 -s rangetrain >train.scale （-1~1暗示缩放范畴 -l表low -u表up -s表save 将调动后区间存为range ?train是原始特征数据 train.scale是缩放后的数据）
svm-scale -r range1test>test.scale（-r 表read 将test的数据按同一range进行缩放）
说明：区间[0,1]和[-1,1]的效果是一样的，，仅仅是[0,1]的运算效率更高
3、寻找最优c、g參数
python grid.pytrain.scale（运算结束后,会供给最优參数c和g.比喻运算功效是2.0 1.0 96.8922，96.8922为交叉验证准确率）
4、使用最优參数进行训练
svm-train -c 2 -g1train.scale（会生成一个名为train.scale.model文件,文件參数说明见兴许增补说明.这里我们使用了默认核函数RBF。一般RBF是效果最好的）
5、拿训练功效进行測试
svm-predict test.scale train.scale.model test.predict（得预測功效test.predict文件以及正确率）
四、增补说明：
1、窜改交叉验证
svm-scale -l -1 -u 1 train >train.scale?
svm-train -v 6 train.scale（交叉验证是为了得到更好的參数）
python grid.pytrain.scale
svm-train -c 2 -g 2 train.scale
2、关于/libsvm-3.20/tools/中的easy.py和grid.py
安置完python和gnuplot后,将E:\Program Files\Python,F:\libsvm-3.20\windows,E:\Program Files\gnuplot\bin三个目录插手到系统路径里面,窜改上两个py文件里关于libsvm的路径和gnuplot的路径.
easy.py中：gnuplot_exe = r"e:\Program Files\gnuplot\bin\gnuplot.exe"
grid.py中：#svmtrain_pathname = r‘f:\libsvm-3.20\windows\svm-train.exe‘
? ? ? ? ?? self.gnuplot_pathname = r‘e:\Program Files\gnuplot\bin\gnuplot.exe‘
能够依照guide.pdf，用easy.py測试guide中的实例。guide中尝试数据链接：~cjlin/papers/guide/data/
3、关于model文件里的參数说明
svm_type c_svc ? （svc表用SVM作分类器,svr表用SVM作回归,c_svc 表用异常值惩办因子C进行不全然分类）
kernel_type rbf ? ? （径向基核,对付大大都情况都是一个较好的选择:d(x,y) = exp(-gamma*|x-y|2））
gamma 0.03125 （核函数的參数）
nr_class 2 （类别数）
total_sv 287 （撑持向量总数）
rho 102.102 （判决函数的常数项b）
label 1 0（类标签）
nr_sv 144 143（各个类中落在界限上的向量个数）
SV（SV以下枚举了全部的撑持向量）
8192 1:-1 2:-0.688314 3:0.595954 4:0.416735
．．．
4、svmscale.exe參数说明 "-l?lower : x scaling lower limit (default -1)\n"
"-u upper : x scaling upper limit (default +1)\n"
"-y y_lower y_upper : y scaling limits (default: no y scaling)\n"
"-s save_filename : save scaling parameters to save_filename\n"
"-r restore_filename : restore scaling parameters from restore_filename\n"
5、svmtrain.exe的參数列表