現簡單對屏幕回顯信息進行說明：
#iter 為迭代次數，
nu 與前面的操作參數 -n nu 相同，
obj 為 SVM 文件轉換為的二次規划求解得到的最小值，
rho 為判決函數的常數項 b ，
nSV 為支持向量個數，
nBSV 為邊界上的支持向量個數，
Total nSV 為支持向量總個數。
訓練后的模型保存為文件 *.model ，用記事本打開其內容如下：
svm_type c_svc % 訓練所采用的 svm 類型，此處為 C- SVC
kernel_type rbf % 訓練采用的核函數類型，此處為 RBF 核
gamma 0.0769231 % 設置核函數中的 g ，默認值為 1/ k
nr_class 2 % 分類時的類別數，此處為兩分類問題
total_sv 132 % 總共的支持向量個數
rho 0.424462 % 決策函數中的常數項 b
label 1 -1% 類別標簽
nr_sv 64 68 % 各類別標簽對應的支持向量個數
SV % 以下為支持向量
1 1:0.166667 2:1 3:-0.333333 4:-0.433962 5:-0.383562 6:-1 7:-1 8:0.0687023 9:-1 10:-0.903226 11:-1 12:-1 13:1
0.5104832128985164 1:0.125 2:1 3:0.333333 4:-0.320755 5:-0.406393 6:1 7:1 8:0.0839695 9:1 10:-0.806452 12:-0.333333 13:0.5
1 1:0.333333 2:1 3:-1 4:-0.245283 5:-0.506849 6:-1 7:-1 8:0.129771 9:-1 10:-0.16129 12:0.333333 13:-1
1 1:0.208333 2:1 3:0.333333 4:-0.660377 5:-0.525114 6:-1 7:1 8:0.435115 9:-1 10:-0.193548 12:-0.333333 13:1
4 ）采用交叉驗證選擇最佳參數 C 與 g
通常而言，比較重要的參數是 gamma (-g) 跟 cost (-c) 。而 cross validation (-v)
的參數常用 5 。那么如何去選取最優的參數 c 和 g 呢？ libsvm 的 python 子目錄下面的 grid.py 可以幫助我們。 此時。其中安裝 python2.5 需要（一般默認安裝到 c:/python25
下），將 gnuplot 解壓。安裝解壓完畢后，進入 /libsvm/tools 目錄下，用文本編輯器（記事
本， edit 都可以）修改 grid.py 文件，找到其中關於 gnuplot 路徑的那項（其默認路徑為
gnuplot_exe=r"c:/tmp/gnuplot/bin/pgnuplot.exe" ），根據實際路徑進行修改，並保存。然
后，將 grid.py 和 C:/Python25 目錄下的 python.exe 文件拷貝到 libsvm/windows 目錄下，鍵入以下命令： $ python grid.py train.1.scale 執行后，即可得到最優參數 c 和 g 。
另外，至於下 libsvm 和 python 的接口的問題，在 libsvm2.86 中林老師已經幫助我們解決，在/libsvm/windows/python 目錄下自帶了 svmc.pyd 這個文件，將該文件文件復制到
libsvm/python 目錄下，同時，也將 python.exe 文件復制到該目錄下，鍵入以下命令以檢驗效
果（注意： .Py 文件中關於 gnuplot 路徑的那項路徑一定要根據實際路徑修改）：
python svm_test.py
如果能看到程序執行結果，說明 libsvm 和 python 之間的接口已經配置完成，以后就可以直接在python 程序里調用 libsvm 的函數了！
5 ） 采用最佳參數 C 與 g 對整個訓練集進行訓練獲取支持向量機模型
$ svmtrain –c x –g x –v x training_set_file [model_file]
x 為上述得到的最優參數 c 和 g 的值， v 的值一般取 5 。
6 ）利用獲取的模型進行測試與預測
使用 Svmtrain 訓練好的模型進行測試。輸入新的 X 值，給出 SVM 預測出的 Y 值
$ Svmpredict test_file model_file output_file
如： ./svm-predict heart_scale heart_scale.model heart_scale.out
Accuracy = 86.6667% (234/270) (classification)
這里顯示的是結果
一個具體使用的例子。
以 libsvm 中的 heart_scale 作為訓練數據和測試數據，同時已經將 python 安裝至 c 盤，並將grid.py 文件中關於 gnuplot 路徑的默認值修改為實際解壓縮后的路徑，將
heart_scale 、 grid.py 和 python.exe 拷貝至 /libsvm/windows 文件夾下。
./svm-train heart_scale
optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nSV = 132, nBSV = 107
Total nSV = 132
此時，已經得到 heart_scale.model ，進行預測：
./svm-predict heart_scale heart_scale.model heart_scale.out
Accuracy = 86.6667% (234/270) (classification)
正確率為 Accuracy = 86.6667% 。
./python grid.py heart_scale
得到最優參數 c=2048 ， g=0.0001220703125.
./svm-train -c 2048 -g 0.0001220703125 heart_scale 得到 model 后，由 ./svm-predict heart_scale heart_scale.model heart_scale.out 得到的正確
率為 Accuracy = 85.1852%.這塊還有點迷惑？為什么正確率降低了？
當然也可以結合subset.py 和 easy.py 實現自動化過程。
如果要訓練多次，可以寫個批處理程序省好多事。
這里舉個例子：
::@ echo off
cls
:: split the data and output the results
for /L %%i in (1,1,1000) do python subset.py b59.txt 546 b59(%%i).in8 b59(%%i).out2
for /L %%i in (1,1,1000) do python easy.py b59(%%i).in8 b59(%%i).out2 >> result89.txt
這段批處理代碼首先調用subset.py對文件b59.txt執行1000次分層隨機抽樣(對數據進行80-20%分割)然后調用easy.py 進行1000次參數尋優，把記錄結果寫到result89.txt中
（包括1000次訓練的分類准確率和參數對）。
還可以調用fselect.py進行特征選擇，調用plotroc.py進行roc曲線繪制。
先寫到這里吧，希望能和大家一起學習libsvm，進一步學好svm。