[Matlab]在Matlab中安装与使用LibSVM工具箱（小白指南）

当初在CSDN上看了很多LibSVM的教程，下载再编译、改路径什么的一头雾水，现在把安装过程图文总结出来，小白也能十分钟安装好LibSVM工具箱！

安装好了可以直接跳到第三节：LibSVM使用指南！

一、LibSVM工具箱下载

工具箱下载地址：https://www.csie.ntu.edu.tw/~cjlin/libsvm/

往下拉找到Download LIBSVM，点击zip.file下载压缩包

1.1、官网下载的数据包中没有Matlab对应的数据集格式，点此下载：heart_scale.mat. 下载后放在解压缩后的libsvm-3.24文件夹中即可，此时可以得到如下图所示的文件夹内容：假如是windows 64位系统，预编译的二进制文件会在libsvm-3.24\windows文件下提供，分别是libsvmread.mexw64、libsvmwrite.mexw64、svmtrain.mexw64、svmpredict.mexw64。

如果是32位系统，就需要手动编译c文件，生成MATLAB可识别的mexw32文件。（具体方法可以百度或者提问）

二、将LibSVM添加到toolbox路径

2.1、为了避免和自带的svm工具箱函数冲突，要将svmtrain.mexw64、svmpredict.mexw64这两个文件重命名为libsvmtrain.mexw64、libsvmpredict.mexw64。

2.2、将1.1中下载好的文件夹libsvm-3.24移动至你电脑中Matlab路径下的toolbox文件夹目录中，（即D:\Program Files (x86)\Matlab R2016a\toolbox）；

2.3、打开Matlab软件，点击主页> 设置路径> 添加并包含子文件夹> 选择libsvm-3.24文件夹；

2.4、点击主页> 预设> 常规> 更新工具箱缓存> 确定

2.5、新建脚本执行下列指令：

load 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);

如果运行成功得到下列结果则说明安装完成：

三、LibSVM使用指南

LibSVM的使用主要要掌握三个方面：

1、前期数据的归一化与格式处理；2、训练模型和预测的输入参数；3、模型输出参数和预测结果

%%%%%%%这里以下先不用看%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clc;
clear all;
for i=1:50
    pop(i,:)=rand(1,2);  
end
x=pop;
x=abs(x)    % Y. x为粒子的位置
a=isnan(x);

%%%%%%%读入数据样本（训练数据集加测试数据集）%%%%%%%%%%%%%
%%%%%%%1932个中有四种数据，每种数据的数量就是对应点数%%%%%
load co_max_fin
co = co_max_fin;%一氧化碳348个点
load ben_max_fin
ben=ben_max_fin;%苯432个点
load jben_max_fin 
jben=jben_max_fin;%甲苯396个点
load jq_max_fin
jq=jq_max_fin;%甲醛756个点
train_x1=[ben;jben;jq;co];%共1932个点

%%%%%%%转置后进行列的归一化%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%mapminmax是归一化函数，每列是一个样本，每行是多个样本的同一维%
output=mapminmax(train_x1',0,1);        
input=output';

%%%%%%%取出每种样本中的一部分作为训练集Xtrain，并标注Lable在Ytrain中%%%%%%%%
%%%%%%%%%%%%%%%将含有多种样本的数据包作为测试集Xtest%%%%%%%%%%%%%%%%%%%%%%%
Xtrain=[input(1:288,:);input(433:696,:);input(829:1332,:);input(1585:1816,:)];
Xtest=[input(289:432,:);input(697:828,:);input(1333:1584,:);input(1817:1932,:)];
Ytrain=[1*ones(288,1);2*ones(264,1);3*ones(504,1);4*ones(232,1)];
Ytest=[1*ones(144,1);2*ones(132,1);3*ones(252,1);4*ones(116,1)];

%%%设置模型参数后，用训练集训练出模型model，再用model对训练集进行验证，对测试集进行预测%%%%%
c=x(2);                %惩罚因子
gama=x(1);             %svm的rbf核的参数
cmd=[' -c ',num2str(c),' -g ',num2str(gama)]; 
model = libsvmtrain(Ytrain,Xtrain,cmd);   
model = svmtrain(trainlabel, traindata, '-s 0 -t 2 -c 1.2 -g 2.8');
[predict_label_train, accuracy_train,~] = libsvmpredict(Ytrain, Xtrain, model);
[predict_label_test, accuracy_test,~] = libsvmpredict(Ytest, Xtest, model); 

%%%最后一步的参数具体含义见下文：