http://blog.csdn.net/u010869312/article/details/45504797

LIBSVM是一个由台湾大学林智仁(Lin Chih-Jen)教授等开发的SVM模式识别与回归的软件包，使用简单，功能强大，能够在matlab中使用。
一、 安装
1.下载
在LIBSVM的主页上下载最新版本的软件包（libsvm-3.20），并解压到合适目录中。
2.编译
如果你使用的是64位的操作的系统和Matlab，那么不需要进行编译步骤，因为自带软件包中已经包含有64位编译好的版本：libsvmread.mexw64、libsvmwrite.mexw64、svmtrain.mexw64、svmpredict.mexw64。否则，需要自己编译二进制文件。

首先在matlab中进入LIBSVM根目录下的matlab目录（如C:\libsvm-3.20\matlab），在命令窗口输入

>>mex -setup

然后Matlab会提示你选择编译mex文件的C/C++编译器，就选择一个已安装的编译器。之后Matlab会提示确认选择的编译器，输入y进行确认。
然后可以输入以下命令进行编译。

>>make

注意，Matlab或VC版本过低可能会导致编译失败，建议使用最新的版本。
编译成功后，当前目录下会出现若干个后缀为mexw64（64位系统）或mexw32（32位系统）的文件。
3.重命名（可选，但建议执行）
编译完成后，在当前目录下回出现svmtrain.mexw64、svmpredict.mexw64（64位系统）或者svmtrain.mexw32、svmpredict.mexw32（32位系统）这两个文件，把文件名svmtrain和svmpredict相应改成libsvmtrain和libsvmpredict。
这是因为Matlab中自带有SVM的工具箱，而且其函数名字就是svmtrain和svmpredict，和LIBSVM默认的名字一样，在实际使用的时候有时会产生一定的问题，比如想调用LIBSVM的变成了调用Matlab SVM。
如果有进行重命名的，以后使用LIBSVM时一律使用libsvmtrain和libsvmpredict这两个名字进行调用。
4.添加路径
为了以后使用的方便，建议把LIBSVM的编译好的文件所在路径（如C:\libsvm-3.20\matlab）添加到Matlab的搜索路径中。具体操作为：（中文版Matlab对应进行）
HOME -> Set Path -> Add Folder -> 加入编译好的文件所在的路径（如C:\libsvm-3.20\matlab）
当然也可以把那4个编译好的文件复制到想要的地方，然后再把该路径添加到Matlab的搜索路径中。

二 、测试
LIBSVM软件包中自带有测试数据，为软件包根目录下的heart_scale文件，可以用来测试LIBSVM是否安装成功。这里的heart_scale文件不能用Matlab的load进行读取，需要使用libsvmread读取。
进入LIBSVM的根目录运行以下代码（因为heart_scale文件没有被添加进搜索路径中，其他路径下无法访问这个文件）：

[heart_scale_label,heart_scale_inst]=libsvmread(\'heart_scale\'); model=libsvmtrain(heart_scale_label,heart_scale_inst,\'-c 1 -g 0.07\'); [predict_label,accuracy,dec_values]=libsvmpredict(heart_scale_label,heart_scale_inst,model);

如果LIBSVM安装正确的话，会出现以下的运行结果，显示正确率为86.6667%。

optimication finished,#iter=134 nu=0.433785 obj=-101.855060,rho=0.426412 nSV=130,nBSV=107 Total nSV=130 Accuracy=86.6667%(234/270)(classification)

三、使用
关于LIBSVM在Matlab中的使用，可以参看软件包中matlab目录下的README文件，这里对里面内容做一个翻译和一些细节的讲解。

1.训练
libsvmtrain函数用于对训练集的数据进行训练，得到训练好的模型。

model=libsvmtrain(training_label_vector,training_instance_matrix[,\'libsvm_options\']);

libsvmtrian函数有三个输入参数，其中：

training_label_vector:为训练样本的类标。如果有m个样本，此参数应为mx1的矩阵（类型必须为double）。可以是二分类，也可以是多分类，类标可以是（-1,1），也可以是（1,2,3）或其他，但必须是double类型。
training_instance_matrix:训练样本的特征，如果有m个样本，每个样本特征是n维，则为mxn矩阵（类型为double）。
libsvm_options（可选）:训练时SVM分类器参数，在第3点详细介绍。
2.预测
libpredict函数用于对测试集的数据进行测试，还能对未知样本进行预测。

[predicted_label, accuracy, decision_values/prob_estimates] 　　　　= libsvmpredict(testing_label_vector, testing_instance_matrix, model [, \'libsvm_options\']);

这个函数包括四个参数，其中:

testing_label_vector:测试样本的类标，如果有m个样本，就是m x 1的矩阵（类型必须为double）。如果类标未知，可以初始化为任意m x 1的double数组。
testing_instance_matrix:测试样本的特征，如果有m个样本，每个样本特征是n维，则为m x n的矩阵（类型必须为double）。
model:使用libsvmtrain返回的模型
libsvm_options（可选）:预测的参数，与训练的参数形式一样。
3.训练的参数
LIBSVM训练时可以选择的参数很多，包括：

-s svm类型：SVM设置类型（默认0)
0 — C-SVC； 1 –v-SVC； 2 – 一类SVM； 3 — e-SVR； 4 — v-SVR
-t 核函数类型：核函数设置类型（默认2）
　　0 – 线性核函数：u’v
　　1 – 多项式核函数：（ru’v + coef0)^degree
　　2 – RBF(径向基)核函数：exp(-r|u-v|^2）
　　3 – sigmoid核函数：tanh(ru’v + coef0)

-d degree：核函数中的degree设置（针对多项式核函数）（默认3）

-g r(gamma）：核函数中的gamma函数设置（针对多项式/rbf/sigmoid核函数）（默认1/k，k为总类别数)
-r coef0：核函数中的coef0设置（针对多项式/sigmoid核函数）（默认0)
-c cost：设置C-SVC，e -SVR和v-SVR的参数（损失函数）（默认1）
-n nu：设置v-SVC，一类SVM和v- SVR的参数（默认0.5）
-p p：设置e -SVR 中损失函数p的值（默认0.1）
-m cachesize：设置cache内存大小，以MB为单位（默认40）
-e eps：设置允许的终止判据（默认0.001）
-h shrinking：是否使用启发式，0或1（默认1）
-wi weight：设置第几类的参数C为weight*C (C-SVC中的C) （默认1）
-v n: n-fold交互检验模式，n为fold的个数，必须大于等于2
以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。
4.训练返回的内容
libsvmtrain函数返回训练好的SVM分类器模型，可以用来对未知的样本进行预测。这个模型是一个结构体，包含以下成员：

-Parameters: 一个5 x 1的矩阵，从上到下依次表示：
-s SVM类型（默认0）；
-t 核函数类型（默认2）
-d 核函数中的degree设置(针对多项式核函数)(默认3)；
-g 核函数中的r(gamma）函数设置(针对多项式/rbf/sigmoid核函数) (默认类别数目的倒数)；
-r 核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)

-nr_class: 表示数据集中有多少类别，比如二分类时这个值即为2

-totalSV: 表示支持向量的总数
-rho: 决策函数wx+b中的常数项的相反数（-b）
-Label: 表示数据集中类别的标签，比如二分类常见的1和-1
-ProbA: 使用-b参数时用于概率估计的数值，否则为空
-ProbB: 使用-b参数时用于概率估计的数值，否则为空
-nSV: 表示每类样本的支持向量的数目，和Label的类别标签对应。如Label=[1; -1],nSV=[63; 67]，则标签为1的样本有63个支持向量，标签为-1的有67个
-sv_coef: 表示每个支持向量在决策函数中的系数
-SVs: 表示所有的支持向量，如果特征是n维的，支持向量一共有m个，则为m x n的稀疏矩阵
另外，如果在训练中使用了-v参数进行交叉验证时，返回的不是一个模型，而是交叉验证的分类的正确率或者回归的均方根误差。
5.预测返回的内容

-predicted_label:表示样本的预测类序号
-accuracy：一个3 x 1的数组，表示分类的正确率、回归的均方根误差、回归的平方相关系数
decision_values/prob_estimates：一个矩阵包含决策的值或者概率估计。对于n个预测样本、k类的问题，如果指定“-b 1”参数，则n x k的矩阵，每一行表示这个样本分别属于每一个类别的概率；如果没有指定“-b 1”参数，则为n x k*(k-1)/2的矩阵，每一行表示k(k-1)/2个二分类SVM的预测结果。
6.读取和保存

libsvmread函数可以读取以LIBSVM格式存储的数据文件。

[label_vector, instance_matrix] = libsvmread(‘data.txt’);

这个函数输入的是文件的名字，输出为样本的类标和对应的特征。

libsvmwrite函数可以把Matlab的矩阵存储称为LIBSVM格式的文件。

libsvmwrite(‘data.txt’, label_vector, instance_matrix]；

这个函数有三个输入，分别为保存的文件名、样本的类标和对应的特征（必须为double类型的稀疏矩阵）。