感謝林智仁教授，轉載請注明出處
（一）准備工作
LibSVM是什么？就我的理解而言，LibSVM是一套工具箱，用來實現SVM的基礎功能。它是開源的，可以深挖，玩轉之后可以借鑒、打散、整合到自己的工程里。同時，它又非常“初學者向”，它將SVM集成化、黑箱化，對於很多不希望深入研究SVM，但是又需要使用SVM的人來說，libSVM能滿足絕大多數要求。
盡管libSVM是初心者向的，但是它還是需要一些知識儲備的。
如果你沒有接觸過機器學習，最好先了解一些基礎知識，以便不至於迷失在一些名詞里，如訓練train，模型model，預測predict，樣本samples，特征feature，標簽label等。當然對大多數需要使用libSVM的人來說，這一步驟可以跳過。
如果你沒有接觸過SVM，可以瀏覽一下SVM Tutorial。這篇引導的好處是中英文雙語的且直接和libSVM對接，劣勢是比較淺顯。個人建議多花點時間了解SVM，這也許會花費幾天，或更久，但對SVM的理解越深刻，在之后使用libSVM時也會更得心應手。反之，如果很多基礎概念混淆的話，在使用中很有可能會犯些愚蠢的錯誤（這些錯誤則可能會花掉更多的時間）。值得注意的是，目前SVM的入門指導大多數是以“最大間隔”的為切入點直接闡述SVM。但同時，另一條路是從logistic的角度，切入SVM。個人認為，從logistic的角度切入更好（如http://blog.csdn.net/sunlylorn/article/details/7885604），尤其是在評價置信度的時候。
如果你對SVM有一定了解了，但還沒有實踐過，或者第一次接觸libSVM。那A Practical Guide to Support Vector Classification值得閱讀，這篇引導也許會花掉你30min或一下午(根據你的英語水平)，然而它能給出一個合理的使用libSVM的總綱。再次強調，有條件的話一定要閱讀該指南。
另外，如果閱讀該指南毫無壓力的話，個人建議直接瀏覽林老師的網站http://www.csie.ntu.edu.tw/~cjlin/libsvm/ 來學習libSVM，如果讀英文實在捉急的話，可以先閱讀本文或其他文章，最后再去讀英文。
最后，libSVM提供了很多平台的版本和功能。本文基於windows 32-bit操作系統，利用libSVM做分類，語言上使用matlab+C混編。文中會零星總結、分享一些和libSVM無關，和matlab+C混編的內容，希望有所幫助。
（二）第一次使用libSVM
首先，libSVM的下載地址是zip file ，下載后解壓就可以得到工具包。解壓后的工具包內有一些文件夾和一些文件。之前說過，本文作者在windows下使用matlab+C，所以以后會用到windows文件夾和matlab文件夾里的內容。
我們先使用windows的exe執行程序來做個小例子。
(1)首先，我們來自己編譯一下exe程序。當然，你可以用已經編譯好的exe程序，但是，如果已編譯好的程序是64位的，而我們的系統是32位的，那我們就不得不重新編譯了(注：最新版本的liblinear1.96就是64位的)。編譯方法：a)打開dos命令行窗口，定位到liblinear目錄下。如果VC++的環境變量還沒設置，敲入以下命令來實現： "C:\Program Files\Microsoft VisualStudio 10.0\VC\bin\vcvars32.bat" (根據具體的安裝路徑調整命令)；b)輸入nmake -f Makefile.win clean all。方法來源http://blog.csdn.net/zouxy09/article/details/10947323。
編譯好了exe程序，再確保你明白了一些機器學習的基礎名詞，然后我們可以開始了。
(2)訓練階段。例子中的訓練是利用windows文件夾下的svm-train.exe，訓練一個分類器。可以把這個exe看做一個函數，輸入是我們標記好類別的特征文件，輸出就是分類器模型文件。請用記事本打開libsvm根目錄下的heart_scale文件，如果你閱讀了SVM Tutorial，下面的東西應該很熟悉了。
我們仔細看看，這個文件是這樣的結構 ：
"+1”或"-1” 1:一個數 2:一個數 3:一個數 … 13:一個數
有些時候，1~13之間會有幾個數沒有，比如第一個輪回：
+1 1:0.708333 2:1 3:1 4:-0.320755 5:-0.105023 6:-1 7:1 8:-0.419847 9:-1 10:-0.225806 12:1 13:-1
它沒有11:一個數，這等價於11后面的數是0，即11:0。之所以這樣是為了讓稀疏的特征少占點空間。
從這個例子出發，我們可以更好地理解特征文件的結構：
[label] [index1]:[value1] [index2]:[value2] …
[label] [index1]:[value1] [index2]:[value2] …
Label 就是說class（屬於哪一類，剛才的+1或-1）, 就是你要分類的種類，通常是一些整數。
index 是有順序的索引，通常是連續的整數。就是指特征編號（剛才的1~13），必須按照升序排列
value 就是特征值（剛才的冒號后面的小數），用來 train 的數據。
訓練前我們要做的無非是選一個好特征，然后把特征按格式寫好。
(3)訓練。比較簡便的做法是寫一個bat來調用exe（因為我們要輸入一些參數）。進入windows文件夾，新建一個txt，在txt里寫如下內容：
svm-train.exe ../heart_scale ../heart_scale_model
pause
保存關閉txt后把txt后綴名改為bat，雙擊就可以使用了。
由於bat用的人不多，這里啰嗦一下它的意義。 第一行svm-train.exe是調用本目錄(bat所在目錄)下的svm-train.exe， ‘../’代表本目錄的上級目錄,heart_scale就是剛才看的那個亂糟糟的特征文件，’../heart_ scale _model’就是輸出到上級目錄的heart_scale_model文件，最后第二行的pause是運行完svm-train.exe，命令行暫停（沒有這個命令的話，命令行會一閃而逝，很多東西就看不見鳥）。
至於為什么格式是svm-train.exe + 特征文件 + 保存文件, 請閱讀SVM Tutorial。
(4)預測。和訓練類似，我們也是寫一個bat，不過此時的內容改為：
svm-predict.exe ../heart_scale ../heart_scale_model ../heart_scale_model_rst
pause
這個bat就是用剛才的 model，預測heart_scale，並將結果輸入到heart_scale_model_rst。你發現了，我們用的是heart_sacle訓練的模型，再用模型檢測它自己，理論上結果應該棒棒噠，不過看一下命令行，預測程序給出的Accuracy = 86.6667% (234/270)。同時，更具體的輸出結果保存為heart_scale_model_rst，用記事本打開可以看到每一行有一個數，這個數代表了預測的類別。順便一提，這里我們預測heart_scale，就是用heart_scale里每一個樣本的特征帶入model，得到的預測結果heart_scale_model_rst和heart_sacle里特征對應的label作比較，看是否一致。
總結一下，libSVM的訓練其實就是，搜集樣本->標記label->提取特征->寫特征文件->調用train.exe->得到model，這個model可以用來判斷新的未知label的特征到底應該屬於哪一個label。
最后，這個分類效果並不理想，至於原因和解決方法我們之后再說。