准備工作：
- https://www.csie.ntu.edu.tw/~cjlin/libsvm/，下載LIBSVM；（LIBSVM工具相較於MATLAB自帶的工具：1）.支持多分類及回歸（‘-s 0’ ,‘-s 1' -> 多分類'-s 3'；'-s 4' -> 回歸；'-s 2' -> one-class SVM），matlab自帶的僅支持二分類，且不支持回歸2）.支持核函數種類多樣（linear;polynomial;RBF(radial basis function);sigmoid;precomputed kernel）3）.解決算法是SMO（序列最小化），matlab自帶的三種SMO，QP（經典二次規划），LS；4）.能夠調節RBF核函數的參數，matlab自帶的不能調節）
- 將libsvm文件夾設為matlab搜索路徑，並進入.../libsvm-3.xx/matlab目錄；
- 運行mex -setup，選擇編譯器（前提是要安裝有C++編譯器，如VS2010）；
- 命令窗口輸入：make，生成四個文件：libsvmread.mexw32，libsvmwrite.mexw32，svmtrain.mexw32，svmpredict.mexw32（原程序是C++編譯的，這四個文件是編譯后包含了能夠在matlab環境下運行的算法）；
接下來便可以進行數據分類了：
- 在.../libsvm3.xx目錄下運行：[label,inst] = libsvmread('heart_scale')（’heart_scale‘默認在libsvm主目錄下，且libsvm要求有參數接受讀取的結果，讀取結果為：inst:270*13\label:270*1）
- 運行：model = svmtrain(label,inst)（訓練函數，由於matlab自帶有svmtrain函數，因此需要進入matlab/toolbox/搜索svmtrain.m，將其改為svmtrain_matlab.m，否則會調用自帶的svmtrain函數）
- 其中：model.Paramaters = [-s,-t,-d,-g,-r]（model的Paramaters輸出了參數組）
-
運行： [predict,accuracy,probabilityEstimates] = svmpredict(label,inst,model) （利用模型預測所有樣本，libsvm要求所有接受參數都填寫，否則無輸出）
- accuracy是一個3*1矩陣，
86.6666666666667->准確度
0.533333333333333->MSE(mean squared error)
0.532639204545455->r^2(squared correlation coefficient)