LIBSVM 使用的一般步驟是：
1）准備數據集，轉化為 LIBSVM支持的數據格式 ：
[label] [index1]:[value1] [index2]:[value2] ...
即 [l類別標號] [特征1]:[特征值] [特征2]:[特征值] ...
2）對數據進行簡單的縮放操作（scale）；（為什么要scale，這里不解釋了）
3）考慮選用核函數（通常選取徑函數，程序默認）；
4）采用交叉驗證（一般采用5折交叉驗證），選擇最佳參數C與g ；
5）用得到的最佳參數C與g 對整個訓練集進行訓練得到SVM模型；
6）用得到的SVM模型進行測試
Libsvm 是一個簡單的，易用的，高效的SVM分類和回歸軟件。它解決了 C-SVM 分類，nu-SVM 分類，
one-class-SVM，epsilon-SVM 回歸，nu-SVM 回歸（的問題）。它也提供了一個自動的 C-SVM 分類的模型選擇工具。本文檔解釋了 Libsvm 的用法。
Libsvm 的獲取：http://www.csie.ntu.edu.tw/~cjlin/libsvm
請在使用 Libsvm 之前閱讀 COPYRIGHT 文檔。
目錄：
=======================
目錄：
=======================
- 快速開始
- 安裝與數據格式
- 使用 ‘svm-train’
- 使用 ‘svm-predict’
- 使用 ‘svm-scale’
- 實際應用的小貼士
- 例子
- 自定義核函數
- 庫的使用
- Java 版本
- 編譯 Windows 二進制文件
- 附加工具：Sub-sampling, Parameter Selection, Format checking, 等
- MATLAB/OCTAVE 接口
- Python 接口
- 補充
快速開始
=======================
如果你剛接觸 SVM 並且數據不大，安裝完畢之后請用 ‘tools' 文件夾下的 easy.py。它自動做好所有的事情——從數據縮放到參數選擇。
使用方法：easy.py training_file [testing_file]
有關參數選擇的更多信息請參閱 ‘tools/README’。
安裝和數據格式
=======================
在 Unix 系統中，鍵入 ‘make’ 編譯 ‘svm-train’ 和 ‘smv-predict’ 程序。運行程序時不設參數可以顯示它們的用法。
在另一些系統中，查閱 ‘Makefile’ 來編譯它們（ 例如，參閱本文檔中的 ‘編譯 Windows 二進制文件’ ）或者使用已編譯的二進制文件（ Windows 二進制文件在 ‘windows’ 目錄下 ）。
訓練數據和測試數據的文件格式如下：
<label> <index1>:<value1> <index2>:<value2> ...
.
.
每一行包括一個實例（樣本）並以 ‘\n’ 字符結束。對於分類，<label> 是一個整型數據，表示一個分類標簽（支持多類分類）。對於回歸，<label> 是一個可以為任意實數的目標值。對於 one-class SVM，它不被使用，所以可取任意值。一對 <index>:<value> 提供一個特征（屬性）值：<index> 是從 1 開始的整型數據，<value> 是一個實數。唯一的例外是自定義核函數，<index> 從 0 開始；參見自 ‘定義核函數’ 部分。Indices 必須是單調增的順序。測試文件中的 Labels 僅僅用於計算精度或誤差。如果它們是未知量，只需在第一列任意填一個數。
本程序包中的一個已分類的數據的樣本是 ‘heart_scale’。使用‘tools/checkdata.py（細節參閱 ‘tools/README’ ）’ 來檢查你的數據是否為正確的格式。
鍵入 ‘svm-train heart_scale’，此程序會讀入訓練數據並且輸出（建立好的）模型文件 ‘heart_scale.model’。如果你有一個命名為 ‘heart_scale.t’ 的測試集，鍵入 ‘svm-predict heart_scale.t heart_scale.model output’ 來觀察預測精度。‘output’ 文件包含預測后的類別標簽。
對於分類（問題），如果訓練數據都是同一類（即，所有標簽都一樣），那么 'svm-train' 會出示一個警告信息：‘Warning: training data in only one class. See README for details’，意味着訓練數據是非常不平衡的。訓練數據的 label 在測試的時候直接返回。
下面是本程序包中的其他的一些有用的程序：
svm-scale：
這是一個縮放輸入數據文件的工具（其實就是把屬性值歸一化）。
svm-toy：
這是一個簡單的圖形接口，它用一個平面展示 SVM 怎樣將數據分開。你可以在窗口內點擊來畫出一些數據點，使用 ‘change’ 按鈕來選擇類別 1，2，3（即，最多支持三個類別），‘load’ 按鈕用來載入文件中的數據，‘save’ 按鈕用來保存數據到一個文件，‘run’ 按鈕用來得到一個 SVM 模型，‘clear’ 按鈕來清空窗口。
你可以在窗口底端內輸入選項，選項語法與 ‘svm-train’ 相同。
注意，‘load’ 和 ‘save’ 會考慮分類和回歸情況中的密集數據格式。對於分類，每一個數據點有一個必須為1，2，3的 label（顏色）和兩個在 [0，1）上的屬性（x坐標和y坐標）。對於回歸，每一個數據點有一個在 [0，1）上的目標值（y坐標）和一個在 [0，1）上屬性（x坐標）。
分別在其各自的文件夾中鍵入‘make’來編譯它們。
你需要 Qt 庫來編譯 Qt 版本。從 http://www.trolltech.com 獲取。
你需要 GTK+ 庫來編譯 GTK 版本。從 http://www.gtk.org 獲取。
預編譯的 Windows 二進制文件在 ‘windows’ 文件夾下。我們使用的是32位的機器上的 Visual C++，所以最大緩存
大小是2GB。
使用‘svm-train’=======================
用法：svm-train [options] training_set_file [model_file]
options：
-s svm_type:設定SVM類型（默認為0）
0 -- C-SVC （多類分類）
1 -- nu-SVC （多類分類）
2 -- one-class SVM
3 -- epsilon-SVR （回歸）
4 -- nu-SVR （回歸）
-t kernel_type：設定核函數類型（默認為2）
用法：svm-predict [options] test_file model_file output_file
-t kernel_type：設定核函數類型（默認為2）
0 -- linear: u'*v 線性核函數
1 -- polynomial: (gamma*u'*v + coef0)^degree 多項式核函數
2 -- radial basis function: exp(-gamma*|u-v|^2) 徑向基函數
3 -- sigmoid: tanh(gamma*u'*v + coef0) sigmoid核函數
4 -- precomputed kernel (kernel values in training_set_file) 自定義核函數
-d degree：設定核函數的 degree 值（默認為 3）
-g gamma：設定核函數的 gamma 值（默認為 1/k）
-r coef0：設定核函數的 coef0 值（默認為 0）
-c cost：設定 C-SVC，epsilon-SVR，nu-SVR 的參數懲罰因子C值（默認為 1）
-d degree：設定核函數的 degree 值（默認為 3）
-g gamma：設定核函數的 gamma 值（默認為 1/k）
-r coef0：設定核函數的 coef0 值（默認為 0）
-c cost：設定 C-SVC，epsilon-SVR，nu-SVR 的參數懲罰因子C值（默認為 1）
-n nu：設定 nu-SVC，one-class SVM，nu-SVR 的參數nu值（默認為 0.5）
-p epsilon：設定 epsilon-SVR 的損失函數中的 epsilon 值（默認為 0.1）
-m cachesize：設定緩存大小，以 MB 為單位（默認為 100）
-e epsilon：設定終止條件的允差（默認為 0.001）
-h shrinking：是否使用 shrinking heuristics（PS：這玩意太不好翻譯），0 或 1（默認為 1）
-b probability_estimates：是否訓練一個 SVC 或 SVR 模型做概率估計，0或1（默認為 0）
-wi weight : 對於 C-SVC，設定 i 類的參數 C 為 weight*C（默認為1）
-v n：n-折交叉驗證模式
-q ：退出模式（無輸出）
-g 選項中的的 k 為輸入數據的屬性數量。
-v 選項隨機截取數據為 n 個部分，計算它們的交叉驗證的精度或者均方誤差。
關於輸出的意義，參閱libsvm FAQ。
使用‘svm-predict’
-g 選項中的的 k 為輸入數據的屬性數量。
-v 選項隨機截取數據為 n 個部分，計算它們的交叉驗證的精度或者均方誤差。
關於輸出的意義，參閱libsvm FAQ。
使用‘svm-predict’
=======================
用法：svm-predict [options] test_file model_file output_file
options:
-b probability_estimates：是否預測概率估計，0或1（默認為 0）；對於one-class SVM，僅支持 0。
model_file 是由 ‘svm-train’ 產生的模型文件。
test_file 是你欲預測的測試數據。
output_file 是 ‘svm-predict’ 產生的輸出文件。
使用‘svm-scale’
=======================
使用‘svm-scale’
=======================
用法：svm-scale [options] data_filename
options:
-l lower：x 縮放下限（默認為-1）
-u upper：x 縮放上限（默認為+1）
-y y_lower y_upper：y 縮放上下限（默認為不縮放）
-s save_filename：儲存縮放參數到save_filename文件中
-r restore_filename：載入 restore_filename 中的縮放參數
例子請參閱本文件中的‘Examples’。
實際應用的小貼士
=======================
* 縮放數據。例如，縮放每個屬性為 [0，1] 或 [-1，+1]。
* 對於 C-SVC，可以考慮用 ‘tools’ 文件夾下的模型選擇工具。
* nu-SVC/one-class-SVM/nu-SVR 中的 nu 參數近似為訓練誤差和支持向量的比率。
* 如果要分類的數據是不平衡的（如，大正集和小負集），用 -wi 嘗試不同的懲罰因子（參見下述例子）。
* 對於復雜問題，指定更大的緩存（即，larger -m）。
> svm-scale -l -1 -u 1 -s range train > train.scale
> svm-train -s 3 -p 0.1 -t 0 data_file
用 線性核函數 u'v 解決 SVM 回歸（問題），損失函數中 epsilon=0.1。
> svm-train -c 10 -w1 1 -w2 5 -w4 2 data_file
> svm-train -s 0 -c 100 -g 0.1 -v 5 data_file
例子:
例子
=======================
=======================
> svm-scale -l -1 -u 1 -s range train > train.scale
> svm-scale -r range test > test.scale
縮放訓練數據的每個特征值在 [-1，1] 內（訓練數據文件為 train，縮放后的數據為 train.scale），縮放因子（就是一些參數）被存儲在 range 文件中然后被用於縮放測試數據（測試數據文件為test，縮放后的數據為test.scale）。
> svm-train -s 0 -c 5 -t 2 -g 0.5 -e 0.1 data_file
用 RBF核函數 exp(-0.5|u-v|^2) 訓練（data_file文件）得到一個分類器，C=10，終止允差為0.1。
縮放訓練數據的每個特征值在 [-1，1] 內（訓練數據文件為 train，縮放后的數據為 train.scale），縮放因子（就是一些參數）被存儲在 range 文件中然后被用於縮放測試數據（測試數據文件為test，縮放后的數據為test.scale）。
> svm-train -s 0 -c 5 -t 2 -g 0.5 -e 0.1 data_file
用 RBF核函數 exp(-0.5|u-v|^2) 訓練（data_file文件）得到一個分類器，C=10，終止允差為0.1。
> svm-train -s 3 -p 0.1 -t 0 data_file
用 線性核函數 u'v 解決 SVM 回歸（問題），損失函數中 epsilon=0.1。
> svm-train -c 10 -w1 1 -w2 5 -w4 2 data_file
訓練一個分類器，對於 ‘1’ 類 懲罰因子為 10= 1 * 10，對於 ‘2’ 類 懲罰因子為 50 = 5 * 10，對於 ‘4’ 類 懲罰因子為 20 = 2 * 10。
> svm-train -s 0 -c 100 -g 0.1 -v 5 data_file
對分類器用參數 C=100，gamma=0.1 做五折交叉驗證。
> svm-train -s 0 -b 1 data_file
> svm-predict -b 1 test_file data_file.model output_file
用概率信息得到一個模型。用概率估計來預測測試數據。
自定義核函數
=======================
自定義核函數
=======================
用戶可以自定義核函數的值並輸入它們作為訓練和測試文件。之后 libsvm 不需要原始的訓練和測試集。
假定有 L 個訓練實體 x1, ..., xL。以 K(x, y) 做核函數中兩個實體 x，y 的值，輸入格式如下：
新訓練實例 xi：
<label> 0:i 1:K(xi,x1) ... L:K(xi,xL)
新測試實例 任意 x:
<label> 0:? 1:K(x,x1) ... L:K(x,xL)
即，在訓練文件中，第一列必須是 xi 的‘ID’。在測試中，用 ? 作為任意值。
所有核函數值包括 ZEROs 必須是明確提供的。訓練和測試文件中任何隨機的或排列的子集也有效（見下例）。
注意：格式與以前在 libsvmtools（文件夾）中發布的預定義核函數略有不同。
例子:
假定最初的訓練數據有三個 4-feature 的實例，測試數據有一個實例：
15 1:1 2:1 3:1 4:1
45 2:3 4:3
25 3:1
15 1:1 3:1
如果用線性核函數，我們將得到如下新的訓練和測試子集：
15 0:1 1:4 2:6 3:1
45 0:2 1:6 2:18 3:0
25 0:3 1:1 2:0 3:1
15 0:? 1:2 2:0 3:1
? 可為任何值。
上面的訓練文件的任何子集也是有效的。如，
25 0:3 1:1 2:0 3:1
45 0:2 1:6 2:18 3:0
意味着核矩陣為：
[K(2,2) K(2,3)] = [18 0]
[K(3,2) K(3,3)] = [ 0 1]