1.所需要軟件下載：
（1）libsvm（http://www.csie.ntu.edu.tw/~cjlin/libsvm/）
（2）python
（3）gnuplot 畫圖軟件（ftp://ftp.gnuplot.info/pub/gnuplot/）
這里只考慮windows的環境：
1、 下載libsvm的zip包，只要解壓到某個文件夾就好就好（隨便D:\gjs\libsvm）
2、安裝python（我的是2.7.3）
3、下載好gnuplot ，直接解壓就好，無需安裝（C:\gnuplot）
2.數據格式說明
0 1:5.1 2:3.5 3:1.4 4:0.2
2 1:4.9 2:3.0 3:1.4 4:0.2
1 1:4.7 2:3.2 3:1.3 4:0.2
[label] [Index1]:[value1] [index2]:[value2] [index3]:[value3]
[label]:類別（通常是整數）[index n]: 有順序的索引 [value n]
可能需要自己轉換訓練以及測試數據的格式。
3.使用方法
1. windows cmd命令窗口
下載的libsvm包里面已經為我們編譯好了（windows）。
進入libsvm\windows，可以看到這幾個exe文件：
1.svm-predict: svmpredict test_file mode_file output_file 依照已經train好的model ，輸入新的數據，並輸出預測新數據的類別。
2.svm-scale: 有時候特征值的波動范圍比較大需要對特征數據進行縮放，可以縮放到0--1之間（自己定義）。
3.svm-toy:似乎是圖形界面，可以自己畫點，產生數據等。
4.svm-train: svmtrain [option] train_file [model_file] train 會接受特定格式的輸入，產生一個model 文件。
第一步：可以自己生成數據，使用svm-toy：
雙擊svm-toy，點擊change可以在畫布上畫點：
點擊run,其實就是train的過程，划分的區域：
點擊save可以保存數據（假設保存的數據在D：//libsvm.txt）。
第二步：使用訓練數據libsvm.txt進行建模，使用svm-train：
使用cmd命令進入到我們解壓的libsvm目錄中的windows目錄，使用svm-train，如下：
其中，
#iter為迭代次數，
nu 是你選擇的核函數類型的參數，
obj為SVM文件轉換為的二次規划求解得到的最小值，
rho為判決函數的偏置項b，
nSV 為標准支持向量個數(0<a[i]<c)，
nBSV為邊界上的支持向量個數(a[i]=c)，
Total nSV為支持向量總個數（對於兩類來說，因為只有一個分類模型Total nSV = nSV，但是對於多類，這個是各個分類模型的nSV之和
同時在該目錄下會生成一個訓練好的model（libsvm.txt.model）可以打開文件查看里面的內容，主要包括一些參數和支持向量等
第三步：使用建好的model進行預測，使用svm-predict
同時會生成一個輸出文件（libsvm.txt.out）,每行代表該行的預測值類別。
參數優化：
svm的參數優化很重要，libsvm包里面包含了參數的優化函數，主要是暴力求解參數。一般來說我們會使用高斯核函數，包含兩個參數（c 和 g）
使用gird.py文件進行參數優化選擇:
grid.py在libsvm/tools里面，首先需要修改gird.py中的gnuplot文件路徑問題，把文件里的路徑改成gnuplot 存放的目錄：
進入grid.py的相應目錄，執行grid.py D://libsvm.txt
前面兩個分別是c 跟g的值，這時候我們重新訓練模型（加上參數c g）
可以看到，准確率有了顯著的提升， 其實這些步驟完全可以使用easy.py進行實現，同理也需要修改eays.py里面的gnuplot文件路徑問題，把文件里的路徑改成gnuplot 存放的目錄：
步驟總結如下：
1.轉換訓練數據為相應的格式。
2.有時候可能需要使用 svm-scale對數據進行相應的縮放，有利於訓練建模。
3.使用grid.py或者easy.py進行參數優化。
4.使用svm-train建模和svm-predict進行預測。
2.python版本 使用：
>>> import os >>> os.chdir('D://gjs//libsvm//python') >>> from svmutil import * >>> y,x=svm_read_problem("D://libsvm.txt") >>> m=svm_train(y,x,'-c 8.0 -g 8.0') >>> p_lable,p_acc,p_val=svm_predict(y,x,m) Accuracy = 96.1538% (25/26) (classification) >>>
>>> import os >>> os.chdir('D://gjs//libsvm//python') >>> from svmutil import* >>> data=svm_problem([1,-1],[[1,0,1],[-1,0,-1]]) #元組一表示分類類別 >>> param=svm_parameter('-c 8.0 -g 8.0') >>> model=svm_train(data,param) >>> svm_predict([1],[1,1,1],model) >>>svm_predict([1,-1],[[1,-1,-1],[1,1,1]],model) Accuracy = 0% (0/2) (classification) ([-1.0, 1.0], (0.0, 4.0, 1.0), [[0.0], [0.00033546262790251185]])
3.weka中使用libSVM：
可以參照： http://datamining.xmu.edu.cn/~gjs/project/LibD3C.html
4.eclipse中調用libsvm:
http://datamining.xmu.edu.cn/~gjs/download/LibSVM.jar
http://datamining.xmu.edu.cn/~gjs/download/libsvm.jar
下載以上兩個包libsvm的包，然后在eclipse工程目錄里面添加相應的jar包：
DataSource source = new DataSource("D://iris.arff"); Classifier clas=new LibSVM(); String[] optSVM = weka.core.Utils.splitOptions("-c 8.0 -g 8.0"); ((LibSVM) clas).setOptions(optSVM); Instances data=source.getDataSet(); data.setClassIndex(data.numAttributes()-1); Evaluation eval=new Evaluation(data); eval.crossValidateModel(clas, data, 10, new Random(1)); System.out.println(eval.toClassDetailsString()); System.out.println(eval.toSummaryString()); System.out.println(eval.toMatrixString());
輸出結果為：
5. linux下使用libsvm：
確認已經安裝好python
1. wget http://www.csie.ntu.edu.tw/~cjlin/cgi-bin/libsvm.cgi?+http://www.csie.ntu.edu.tw/~cjlin/libsvm+tar.gz。
2. tar -zxvf /home/gjs/libsvm.tar.gz。
3. 進入目錄執行 make 編譯。
4. ./svm-train /home/gjs/libsvm.txt 其他也類似。
5. python grid.py /home/gjs/libsvm.txt 優化參數。