MATLAB环境使用LIBSVM-安装测试（一）

介绍

LIBSVM是台湾大学林智仁(Chih-Jen Lin)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，目前最新版本是3.23。博文中在MATLAB平台配合实例学习掌握LIBSVM，希望可以对SVM感兴趣的朋友有一定的帮助。

安装

提示：如果是win64位，LIBSVM 中libsvm-3.23\windows文件夹自带了编译好的文件：

libsvmread.mexw64
libsvmwrite.mexw64
svmtrain.mexw64
svmpredict.mexw64

这样就不要编译就可以在MATLAB中使用LIBSVM。

但是还是有必要介绍一下编译过程。
编译环境：win64，matlab2018a。
步骤1：下载
将下载的LIBSVM解压，拷贝至toolbox，最终路径如下

D:\Program Files (x86)\Matlab2018a\toolbox\libsvm-3.23

当然也可以放在其他路径，最好统一在toolbox文件夹内。
步骤2：设置路径

步骤3：配置编译器
在命令窗口的输入mex -setup，输出为：

>> mex -setup
MEX 配置为使用 'Microsoft Visual C++ 2013 (C)' 以进行 C 语言编译。
警告: MATLAB C 和 Fortran API 已更改，现可支持
	 包含 2^32-1 个以上元素的 MATLAB 变量。您需要
	 更新代码以利用新的 API。
	 您可以在以下网址找到更多的相关信息:
	 https://www.mathworks.com/help/matlab/matlab_external/upgrading-mex-files-to-use-64-bit-api.html。

要选择不同的语言，请从以下选项中选择一种命令:
 mex -setup C++ 
 mex -setup FORTRAN

步骤4：选择mex -setup C++，输出为

MEX 配置为使用 'Microsoft Visual C++ 2013' 以进行 C++ 语言编译。
警告: MATLAB C 和 Fortran API 已更改，现可支持
	 包含 2^32-1 个以上元素的 MATLAB 变量。您需要
	 更新代码以利用新的 API。
	 您可以在以下网址找到更多的相关信息:
	 https://www.mathworks.com/help/matlab/matlab_external/upgrading-mex-files-to-use-64-bit-api.html。

步骤5：编译
编译前需要设置当前路径为：

D:\Program Files (x86)\Matlab2018a\toolbox\libsvm-3.23\matlab

设置路径。
输入命令：make，或者打开make.m文件执行编译。
3秒内编译好，在matlab文件中生成

libsvmread.mexw64
libsvmwrite.mexw64
svmtrain.mexw64
svmpredict.mexw64

四个文件，安装完成。

测试

libsvm 软件包中自带有测试数据，即软件包根目录下的 heart_scale 文件。但是该文件使用libsvmread函数无法读取， 报错如下：

can’t open input file heart_scale

解决方法有两个，
解决方法1：
下载heart_scale.mat数据，然后在MATLAB打开。或者使用重新制作的该文件下载。
解决方法2：
用MATLAB自带函数load加载数据即可。

load heart_scale;

数据即可读入工作区

测试代码如下：

clc;  
clear;  
load heart_scale;
model = svmtrain(heart_scale_label,heart_scale_inst)   
[predict_label,accuracy,dec_values] = svmpredict(heart_scale_label,heart_scale_inst,model) 

输出结果

optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nSV = 132, nBSV = 107
Total nSV = 132

model = 

  包含以下字段的 struct:

    Parameters: [5×1 double]
      nr_class: 2
       totalSV: 132
           rho: 0.4245
         Label: [2×1 double]
    sv_indices: [132×1 double]
         ProbA: []
         ProbB: []
           nSV: [2×1 double]
       sv_coef: [132×1 double]
           SVs: [132×13 double]

Accuracy = 86.6667% (234/270) (classification)

安装成功

接下来的博文将会对LIBSVM的数据制作、分类和回归问题进行讲解。