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：
a.svm-toy.exe:圖形界面，可以自己畫點，產生數據等。
b.svm-scale.exe:對特征值進行縮放。
c.svm-train.exe:接收特定格式的輸入，產生一個model文件。
d.svm-predict.exe: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。
svm-toy.exe
可以自己生成數據，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。它是個toy（玩具），是為了人們更形象地了解svm，其具體玩法就不做介紹了。
svm-scale.exe
因為原始數據可能范圍過大或過小，svmscale可以先將數據重新scale(縮放)到適當范圍使訓練與預測速度更快。
使用方法：
svm-scale.exe [-l lower] [-u upper] [-y y_lower y_upper] [-s save_name] [-r store_name] filename
其中：
-l lower : x scaling lower limit (default -1) 特征值縮放下限，默認為-1
-u upper : x scaling upper limit (default +1) 特征值縮放上限，默認為+1
-y y_lower y_upper : y scaling limits (default: no y scaling) 是否對目標值進行縮放及縮放的上下限，默認不縮放 注意：（回歸需要對目標進行縮放，因此該參數可以設定為 -y -1 1）
-s save_filename : save scaling parameters to save_filename 表示將縮放的規則保存為文件save_filename
-r restore_filename : restore scaling parameters from restore_filename 表示將縮放規則文件restore_filename載入后按此規則縮放
若要了解更具體的縮放規則，請參考：http://blog.csdn.net/dxy_1110/article/details/43851955
svm-train.exe
用於訓練數據，生成模型；
使用方法：
svm-train.exe [options] training_set_file [model_file]
其中：
options（操作參數）：可用的選項即表示的含義如下所示：
-s svm類型：設置SVM類型，默認值為0，可選類型有（對於回歸只能選3或4）：
0 – C-SVC
1 – n-SVC
2 -- one-class-SVM
3 – e-SVR
4 – n-SVR
-t 核函數類型：設置核函數類型，默認值為2，可選類型有：
0 -- 線性核： u'*v
1 -- 多項式核： (g*u'*v+ coef 0)deg ree
2 -- RBF 核： e( u v 2) g –
3 -- sigmoid 核： tanh(g*u'*v+ coef 0)
-d degree：核函數中的degree設置，默認值為3；
-g g：設置核函數中的g，默認值為1/k；
-r coef0：設置核函數中的coef0，默認值為0；
-c cost：設置 C- SVC 、 e - SVR 、 n - SVR 中的懲罰系數 C ，默認值為 1 ；
-n n：設置n - SVC 、 one-class-SVM 與 n - SVR 中參數 n ，默認值 0.5 ；
-p e：設置n - SVR 的損失函數中的 e ，默認值為 0.1 ；
-m cachesize：設置 cache 內存大小，以 MB 為單位，默認值為 40 ；
-e e：設置終止准則中的可容忍偏差，默認值為0.001；
-h shrinking：是否使用啟發式，可選值為0或1，默認值為1；
-b 概率估計：是否計算SVC或SVR的概率估計，可選值0或1，默認0；
-wi weight：對各類樣本的懲罰系數C加權，默認值為1；
-v n：n折交叉驗證模式。
（其中-g選項中的k是指輸入數據中的屬性數。操作參數-v隨機地將數據剖分為n部分並計算交叉檢驗准確度和均方根誤差。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，程序不會接收該參數，如果應有的參數設置不正確，參數將采用默認值。）
training_set_file：是要進行訓練的數據集；
model_file：是訓練結束后產生的模型文件，該參數如果不設置將采用默認的文件名，也可以設置成自己慣用的文件名。
舉個例子如下：
C:\libsvm-3.18\windows>svm-train.exe heart_scale
輸出：
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（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）。
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
補充：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？上篇博文提到可以使用libsvm子目錄下面的grid.py。
grid.py是一種用於RBF核函數的C-SVM分類的參數選擇程序。用戶只需給定參數的一個范圍，grid.py采用交叉驗證的方法計算每種參數組合的准確度來找到最好的參數。
Usage: grid.py [-log2c begin,end,step] [-log2g begin,end,step] [-v fold] [-svmtrain pathname] [-gnuplot pathname] [-out pathname] [-png pathname] [additional parameters for svm-train] dataset The program conducts v-fold cross validation using parameter C (and gamma)= 2^begin, 2^(begin+step), ..., 2^end.
示例：
python grid.py -log2c -10,10,1 -log2g 10,-10,-1 trainset.txt
這是給參數C和g設定了一個范圍，且給定了變化步長，程序會在給定范圍內尋找最優參數C和g。
當然也可以直接這樣：
python grid.py trainset.txt
讓程序自動獲取最佳的C和g。常會出現的情況是：對不同的C和g，交叉驗證的精度（Accuracy）常會相同。這會導致當不指定范圍時，得到的C過大或過小，過大時，表示對錯誤例懲罰程度越大，可能到導致模型過擬合，使得在對測試集進行測試時，准確率較低。C過小時，容易欠擬合。
svm-predict.exe
用來測試訓練結果的准確率。
使用方法：
svm-predict.exe[options] test_file model_file output_file
options（操作參數）：
-b probability_estimates：是否需要進行概率估計預測，可選值為0或1，默認值為0。
test_file：是要進行預測的數據文件；
model_file：是由svm-train.exe產生的模型文件；
output_file：是svmpredict的輸出文件，表示預測的結果值。
（注：輸出結果包括均方誤差（Mean squared error）和相關系數（Squared corralation coefficient）。）
例如：
./svm-predict heart_scale heart_scale.model heart_scale.out
這里顯示的是結果：
Accuracy = 86.6667% (234/270) (classification)
以上。