操作方法
下载libsvm的zip包，只要解压到某个文件夹就好就好（随便D:\gjs\libsvm）
安装python
下载好gnuplot ，直接解压就好，无需安装（C:\gnuplot）
.数据格式说明 0 1:5.1 2:3.5 3:1.4 4:0.22 1:4.9 2:3.0 3:1.4 4:0.21 1:4.7 2:3.2 3:1.3 4:0.2[label] [Index1]:[value1] [index2]:[value2] [index3]:[value3] [label]:类别（通常是整数）[index n]: 有顺序的索引 [value n] 可能需要自己转换训练以及测试数据的格式。
1. windows cmd命令窗口 下载的libsvm包里面已经为我们编译好了（windows）。 进入libsvm\windows，可以看到这几个exe文件： 1.svm-predict: svmpredict test_file mode_file output_file 依照已经train好的model ，输入新的数据，并输出预测新数据的类别。 2.svm-scale: 有时候特征值的波动范围比较大需要对特征数据进行缩放，可以缩放到0--1之间（自己定义）。 3.svm-toy:似乎是图形界面，可以自己画点，产生数据等。 4.svm-train: svmtrain [option] train_file [model_file] train 会接受特定格式的输入，产生一个model 文件。 第一步：可以自己生成数据，使用svm-toy： 双击svm-toy，点击change可以在画布上画点：
点击run,其实就是train的过程，划分的区域：
点击save可以保存数据（假设保存的数据在D：//libsvm.txt）。 第二步：使用训练数据libsvm.txt进行建模，使用svm-train： 使用cmd命令进入到我们解压的libsvm目录中的windows目录，使用svm-train，如下：
其中， #iter为迭代次数， nu 是你选择的核函数类型的参数， obj为SVM文件转换为的二次规划求解得到的最小值， rho为判决函数的偏置项b， nSV 为标准支持向量个数(0<a[i]<c)， nBSV为边界上的支持向量个数(a[i]=c)， Total nSV为支持向量总个数（对于两类来说，因为只有一个分类模型Total nSV = nSV，但是对于多类，这个是各个分类模型的nSV之和 同时在该目录下会生成一个训练好的model（libsvm.txt.model）可以打开文件查看里面的内容，主要包括一些参数和支持向量等 第三步：使用建好的model进行预测，使用svm-predict
同时会生成一个输出文件（libsvm.txt.out）,每行代表该行的预测值类别。 参数优化： svm的参数优化很重要，libsvm包里面包含了参数的优化函数，主要是暴力求解参数。一般来说我们会使用高斯核函数，包含两个参数（c 和 g） 使用gird.py文件进行参数优化选择: grid.py在libsvm/tools里面，首先需要修改gird.py中的gnuplot文件路径问题，把文件里的路径改成gnuplot 存放的目录：
进入grid.py的相应目录，执行grid.py D://libsvm.txt
前面两个分别是c 跟g的值，这时候我们重新训练模型（加上参数c g）
可以看到，准确率有了显著的提升， 其实这些步骤完全可以使用easy.py进行实现，同理也需要修改eays.py里面的gnuplot文件路径问题，把文件里的路径改成gnuplot 存放的目录：
步骤总结如下： 1.转换训练数据为相应的格式。 2.有时候可能需要使用 svm-scale对数据进行相应的缩放，有利于训练建模。
3.使用grid.py或者easy.py进行参数优化。 4.使用svm-train建模和svm-predict进行预测。