LibSVM是一款簡單易用的支援向量機工具包，包含了C和Java的開發原始碼。大家可以訪問其官網進行了解和下載相關檔案。
這裡以其官網的第一個資料集a1a 為例，練習使用多項式核和徑向基核來對資料集進行分類。

1、準備工作
由於從官網下的最新的2015.12月釋出的libsvm-3.21版本中已生成的exe檔案不支援Windows32位系統，所以使用的之前的一版libsvm-3.20。將其下下來開啟，裡面包含了以下檔案：

其中data裡面放的是LibSVM分享的資料集a1a；
gnuplot是一個影象繪畫工具，可以將資料視覺化。直接點選進行安裝，路徑可以自己選擇，本例中安裝路徑為F:\Program Files\gnuplot。

libsvm-3.20是一個已開發好的整合工具包，我們拿來直接用。將libsvm-3.20壓縮包解壓，路徑可以自己選擇，本例中解壓路徑為F:\Program Files\libsvm-3.20。
開啟tools資料夾，然後分別開啟easy.py和grid.py，將easy.py中出現在else語句中的gnuplot_exe和 grid.py中self.gnuplot_pathname修改為gnuplot.exe所在路徑，如下：

現在還差一個工具，就是python。沒有安裝python的可以從python官網 下載安裝。路徑可以自己選擇，本例中安裝路徑為F:\Program Files\Python。
以上幾步完成後，準備工作就結束了。

2、LibSVM的使用
0. 如果資料集較小的話，可以直接在libsvm-3.20中的tools 資料夾下使用命令：python easy.py training_file [testing_file]。否則處理過程如下：
1. 使用網格搜尋grid.py訓練出最優引數懲罰因子C和引數g,g也就是核函式公式中的γ。 步驟如下：
首先將data中的兩個資料集檔案複製到剛解壓的libsvm-3.20中的tools 資料夾下，然後開啟cmd命令列，通過cd進入到tools資料夾下，輸入如下命令，如圖：

按回車後，程式開始執行，執行結束後，會出現如下結果：

最後一行三個數字分別表示，尋找到的最優引數C=2.0，g=0.0078125，準確率=82.9907。
同時會在tools資料夾下生成一個gnuplot畫出結果圖片，如下：

2 訓練模型
在獲得最優引數後，我們就可以對訓練資料集進行訓練，來獲得訓練模型,步驟如下：
首先從cmd命令列中進入libsvm-3.20中的windows資料夾，可以看到資料夾中有svm-toy.exe、svm-scale.exe、svm-train.exe、svm-predict.exe四個可執行檔案，其中：
svm-toy.exe是一個視覺化應用程式，顯示了對平面中資料點的分類。有change、run、clear、save、load及引數設定框，預設最大分類數為3，大家可以點點看，效果如下：

svm-scale.exe是對輸入的資料特徵進行歸一化縮放,從而避免某些過大或過小特徵值對分類效果的影響。使用方式如下：
svm-scale [options] data_filename，其中options列表有以下幾種：
-l lower : x縮放最小值，預設為-1
-u upper : x縮放最大值，預設為1
-y y_lower y_upper : y scaling limits (default: no y scaling)
-s save_filename : save scaling parameters to save_filename
-r restore_filename : restore scaling parameters from restore_filename

svm-train.exe對訓練集訓練，產生訓練模型。使用方式如下：
svm-train [options] training_set_file [model_file]，其中常用options列表有以下幾種：
-s svm_type : SVM型別 (預設0)
0 – C-SVC (多類分類器)
1 – nu-SVC (多類分類器)
2 – one-class SVM
3 – epsilon-SVR (迴歸)
4 – nu-SVR (迴歸)
-t kernel_type : 核函式型別 (預設 2)
0 – 線性核：μ′∗ν
1 – 多項式核：(γ∗μ′∗ν+coef0)degree
2 – 徑向基核：exp(−γ∗||μ−ν||2)
3 – sigmoid核：tanh(γ∗μ′∗ν+coef0)
4 – precomputed kernel (kernel values in training_set_file)
-d degree : 多項式核最高項次數 (default 3)
-g gamma : 核函式中γ 值(預設1N，N為特徵數目)
-r coef0 : 多項式核與sigmoid核中的引數(default 0)
-c cost : 設定C-SVC, e -SVR和v-SVR的損失函式(default 1)

svm-predict.exe利用測試集和生成的訓練模型而得到預測模型，使用方式如下：
svm-predict [options] test_file model_file output_file，其中options列表有：
-b probability_estimates: 是否預測概率估計，用0或1表示（預設0）；對於for one-class SVM ，只有0可選。

介紹完這幾個可執行檔案後，下面我們就要用它們來訓練和預測模型。
1.對於a1a資料集，特徵值為0或者1，故不需要使用svm-scale.exe來縮放資料，若有資料集的特徵值差異較大，應首先使用svm-scale.exe進行資料縮放。

2.命令列進入windows資料夾，輸入命令：svm-train.exe -c 2.0 -g 0.0078125 ../tools/adultTrain.txt ../tools/adultTrain.model，生成訓練模型檔案adultTrain.model，演示如下：

其中，iter表示迭代計算次數；
nu即核函式中的ν引數；
obj為二次規劃求解的最小值；
rho為偏置b；
nSV為標準支援向量個數，即滿足0<αi< C的個數；
nBSV為邊界上的支援向量個數，即滿足αi= C的個數;
Total nSV為支援向量總個數。

3.輸入命令：svm-predict.exe ../tools/adultTest.t ../tools/adultTrain.model ../tools/audltPredict.model，利用測試集和訓練模型檔案獲得預測模型檔案，並得到模型在測試集上的分類準確率，顏色如下：

4.作為對比，同時訓練了多項式核函式（引數最優）和徑向基核函式（未引數最優），結果分別如下：

三者比較可知，選擇了引數最優的徑向基核在該資料集上的分類效果最好，準確率為84.0225。