(1)model= svmtrain(train_label, train_matrix, ['libsvm_options']);
其中：
train_label表示訓練集的標簽。
train_matrix表示訓練集的屬性矩陣。
libsvm_options是需要設置的一系列參數，各個參數可參見《libsvm 參數說明.txt》，里面介紹的很詳細，中英文都有的。如果用回歸的話，其中的-s參數值應為3。
model:是訓練得到的模型，是一個結構體（如果參數中用到-v，得到的就不是結構體，對於分類問題，得到的是交叉檢驗下的平均分類准確率；對於回歸問題，得到的是均方誤差）。
(2)[predicted_label, accuracy/mse,decision_values/prob_estimates]=svmpredict(test_label, test_matrix, model, ['libsvm_options']);
其中：
test _label表示測試集的標簽（這個值可以不知道，因為作預測的時候，本來就是想知道這個值的，這個時候，隨便制定一個值就可以了，只是這個時候得到的mse就沒有意義了）。
test _matrix表示測試集的屬性矩陣。
model 是上面訓練得到的模型。
libsvm_options是需要設置的一系列參數。
predicted_label表示預測得到的標簽。
accuracy/mse是一個3*1的列向量，其中第1個數字用於分類問題，表示分類准確率；后兩個數字用於回歸問題，第2個數字表示mse；第三個數字表示平方相關系數（也就是說，如果分類的話，看第一個數字就可以了；回歸的話，看后兩個數字）。
decision_values/prob_estimates：第三個返回值，一個矩陣包含決策的值或者概率估計。對於n個預測樣本、k類的問題，如果指定“-b 1”參數，則n x k的矩陣，每一行表示這個樣本分別屬於每一個類別的概率；如果沒有指定“-b 1”參數，則為n x k*(k-1)/2的矩陣，每一行表示k(k-1)/2個二分類SVM的預測結果。
(3) 訓練的參數
LIBSVM訓練時可以選擇的參數很多，包括：
-s svm類型：SVM設置類型（默認0)
0 — C-SVC； 1 –v-SVC； 2 –一類SVM； 3 — e-SVR； 4 — v-SVR
-t 核函數類型：核函數設置類型（默認2）
0 –線性核函數：u’v
1 –多項式核函數：（r*u’v + coef0)^degree
2 – RBF(徑向基)核函數：exp(-r|u-v|^2）
3 – sigmoid核函數：tanh(r*u’v + coef0)
-d degree：核函數中的degree設置（針對多項式核函數）（默認3）
-g r(gamma）：核函數中的gamma函數設置（針對多項式/rbf/sigmoid核函數）（默認1/k，k為總類別數)
-r coef0：核函數中的coef0設置（針對多項式/sigmoid核函數）（（默認0)
-c cost：設置C-SVC，e -SVR和v-SVR的參數（損失函數）（默認1）
-n nu：設置v-SVC，一類SVM和v- SVR的參數（默認0.5）
-p p：設置e -SVR 中損失函數p的值（默認0.1）
-m cachesize：設置cache內存大小，以MB為單位（默認40）
-e eps：設置允許的終止判據（默認0.001）
-h shrinking：是否使用啟發式，0或1（默認1）
-wi weight：設置第幾類的參數C為weight*C (C-SVC中的C) （默認1）
-v n: n-fold交互檢驗模式，n為fold的個數，必須大於等於2
以上這些參數設置可以按照SVM的類型和核函數所支持的參數進行任意組合，如果設置的參數在函數或SVM類型中沒有也不會產生影響，程序不會接受該參數；如果應有的參數設置不正確，參數將采用默認值。
（4） modle參數
model.Parameters參數意義從上到下依次為：
-s svm類型：SVM設置類型（默認0）
-t 核函數類型：核函數設置類型（默認2）
-d degree：和函數中的degree設置（針對多項式核函數）（默認3）
-g gama：核函數中的gamma函數設置（針對多項式/rbf/sigmoid核函數）（默認類別數目的倒數）
-r coef0：核函數中的coef0設置（針對多項式/sigmoid核函數）（默認為0）
model.Label：表示數據集中類別的標簽
model.nr_class：表示數據集中有多少標簽
model.totalSV：代表總共的支持向量機的數目
model.nSV：表示每類樣本的支持向量的數目
model.ProbA,model.ProbB：
model.sv_coef：表示支持向量在決策函數中的系數
model.SVs：表示支持向量
model.rho：表示決策函數中的常數項的相反數（-b）
model.sv_indices：表示支持向量在數據集中的位置
（5） 結果參數解析：
iter：迭代次數
nu: 與前面的操作參數-n nu 相同
obj:為SVM問題轉換為的二次規划求解得到的最小值
rho:表示決策函數中的常數項的相反數（-b）
nSV:標准支持向量個數,就是在分類的邊界上，松弛變量等於0，朗格朗日系數 0=<ai<C
nBSV:邊界的支持向量個數,不在分類的邊界上，松弛變量大於0，拉格郎日系數 ai = C
Accuracy:預測結果的准確率