libsvm

model = svmtrain(label,data);

[predictlabel,accuracy] = svmpredict(testdatalabel,testdata,model)

[cpp]  view plain  cop

1. data = [176 70;  
2. 180 80;  
3. 161 45;  
4. 163 47];  
5. label = [1;1;-1;-1];  
6.   
7. model = svmtrain(label,data);  
8.   
9. testdata = [190 85];  
10. testdatalabel = -1;  
11.   
12. [predictlabel,accuracy] = svmpredict(testdatalabel,testdata,model);  
13. predictlabel  

运行结果如下：

[plain]  view plain  copy

1. Accuracy = 0% (0/1) (classification)  
2. predictlabel =  
3.      1  

好，通过上面的讲解，不知道诸位看官对于利用libsvm进行分类是否有了一定了解【谁要是这么通俗的例子还搞不清楚怎么使用libsvm进行分类，那我真无语啦】，下面使用libsvm工具箱本身带的测试数据heart_scale来实际进行一下测试：

[plain]  view plain  copy

1. %% HowToClassifyUsingLibsvm  
2. % by faruto @ faruto's Studio~  
3. % http://blog.sina.com.cn/faruto  
4. % Email:faruto@163.com  
5. % http://www.matlabsky.com  
6. % http://www.mfun.la  
7. % http://video.ourmatlab.com  
8. % last modified by 2010.12.27  
9. %% a litte clean work  
10. tic;  
11. close all;  
12. clear;  
13. clc;  
14. format compact;  
15. %%   
16.   
17. % 首先载入数据  
18. load heart_scale;  
19. data = heart_scale_inst;  
20. label = heart_scale_label;  
21.   
22. % 选取前200个数据作为训练集合，后70个数据作为测试集合  
23. ind = 200;  
24. traindata = data(1:ind,:);  
25. trainlabel = label(1:ind,:);  
26. testdata = data(ind+1:end,:);  
27. testlabel = label(ind+1:end,:);  
28.   
29. % 利用训练集合建立分类模型  
30. model = svmtrain(trainlabel,traindata,'-s 0 -t 2 -c 1.2 -g 2.8');  
31.   
32. % 分类模型model解密  
33. model  
34. Parameters = model.Parameters  
35. Label = model.Label  
36. nr_class = model.nr_class  
37. totalSV = model.totalSV  
38. nSV = model.nSV   
39.   
40. % 利用建立的模型看其在训练集合上的分类效果  
41. [ptrain,acctrain] = svmpredict(trainlabel,traindata,model);  
42.   
43. % 预测测试集合标签  
44. [ptest,acctest] = svmpredict(testlabel,testdata,model);  
45.   
46. %%  
47. toc;  

运行结果：

1. model = 
   
2.     Parameters: [5x1 double]
   
3.       nr_class: 2
   
4.        totalSV: 197
   
5.            rho: 0.0583
   
6.          Label: [2x1 double]
   
7.          ProbA: []
   
8.          ProbB: []
   
9.            nSV: [2x1 double]
   
10.        sv_coef: [197x1 double]
    
11.            SVs: [197x13 double]
    
12. Parameters =
    
13.          0
    
14.     2.0000
    
15.     3.0000
    
16.     2.8000
    
17.          0
    
18. Label =
    
19.      1
    
20.     -1
    
21. nr_class =
    
22.      2
    
23. totalSV =
    
24.    197
    
25. nSV =
    
26.     89
    
27.    108
    
28. Accuracy = 99.5% (199/200) (classification)
    
29. Accuracy = 68.5714% (48/70) (classification)
    
30. Elapsed time is 0.040873 seconds.
    
31. >>

上面的代码基本我不想多说什么。
只是说一下参数输入的意义：

　　-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：u'v
　　1 – 多项式：(r*u'v + coef0)^degree
　　2 – RBF函数：exp(-r|u-v|^2)
　　3 –sigmoid：tanh(r*u'v + coef0)

-g r(gama)：核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)

-c cost：设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1)

更多关于libsvm 参数的说明请看
libsvm 参数说明【中英文双语版本】
http://www.matlabsky.com/thread-12380-1-1.html

还有关于建立的分类模型model

1. model = 
   
2. 
   
3.     Parameters: [5x1 double]
   
4. 
   
5.       nr_class: 2
   
6. 
   
7.        totalSV: 197
   
8. 
   
9.            rho: 0.0583
   
10. 
    
11.          Label: [2x1 double]
    
12. 
    
13.          ProbA: []
    
14. 
    
15.          ProbB: []
    
16. 
    
17.            nSV: [2x1 double]
    
18. 
    
19.        sv_coef: [197x1 double]
    
20. 
    
21.            SVs: [197x13 double]

因为好多朋友反映说，比如想得到支持向量，还有model中的一些参看看不懂等等等等一些列问题，会在后面的
分类模型model解密详解中说明

利用libsvm-mat建立分类模型model参数解密【by faruto】

http://www.matlabsky.com/thread-12649-1-1.html

所以也希望诸位看官尤其是对svm感兴趣的朋友多多关注我。O(∩_∩)O~

如果对于标签设置问题您还没有搞懂可以再看看这个：
【转】Matlab中使用libsvm进行分类预测时的标签问题再次说明
http://www.matlabsky.com/thread-12396-1-1.html


更多关于SVM的东西请看：

关于SVM的那点破事[长期更新整理 by faruto]

http://www.matlabsky.com/thread-10966-1-1.html

reference:http://blog.csdn.net/timidsmile/article/details/9316743