使用libsvm，首先需要将實際待分類的内容或資料（訓練資料，或預測資料）進行量化，然後通過libsvm提供的功能實作分類和預測。下面介紹使用libsvm的基本步驟。
準備訓練資料
資料格式：
<code>1</code>
<code><label1> <index1>:<value11> <index2>:<value12>...</code>
<code>2</code>
<code><label2> <index1>:<value21> <index2>:<value22>...</code>
<code>3</code>
<code><label3> <index1>:<value31> <index2>:<value32>...</code>
<code>4</code>
<code>...</code>
每一行，表示以已定義的類别标簽，以及屬于該标簽的各個屬性值，每個屬性值以“屬性索引編号:屬性值”的格式。一行内容表示一個類别屬性以及與該類别相關的各個屬性的值。屬性的值，一般可以表示為“該屬性隸屬于該類别的程度”，越大，表示該屬性更能決定屬性該類别。
上面的資料必須使用數字類型，例如類别，可以通過不同的整數來表示不同的類别。
準備的原始訓練樣本資料存放在檔案raw_data.txt中，内容如下所示：
<code>1 1:0.4599 2:0.8718 3:0.1987</code>
<code>2 1:0.9765 2:0.2398 3:0.3999</code>
<code>3 1:0.0988 2:0.2432 3:0.7633</code>
歸一化
這一步對應于libsvm的縮放操作，即将量化的資料縮放到某一範圍之内。首先，需要把原始的訓練資料存放到檔案中作為輸入，如果實際應用中不需要從檔案輸入，可以根據需要修改libsvm的代碼，來滿足需要。
上面準備的檔案raw_data.txt定義了三個類别，分别為1,2,3，其中有三個屬性。正常情況下，每個屬性值範圍可能并不一定是在0到1之間，比如實際的溫度資料，銷售額資料，等等。
libsvm通過使用svm_scale來實作歸一化，下面是svm_scale的使用說明：
<code>用法：svmscale [-l lower] [-u upper] [-y y_lower y_upper] [-s save_filename] [-r restore_filename] filename</code>
<code>預設值： lower = -1，upper = 1，沒有對y進行縮放</code>
<code></code><code>-l：資料下限标記；lower：縮放後資料下限；</code>
<code></code><code>-u：資料上限标記；upper：縮放後資料上限；</code>
<code>5</code>
<code></code><code>-y：是否對目标值同時進行縮放；y_lower為下限值，y_upper為上限值；(回歸需要對目标進行縮放，是以該參數可以設定為 –y -1 1 )</code>
<code>6</code>
<code></code><code>-s save_filename：表示将縮放的規則儲存為檔案save_filename；</code>
<code>7</code>
<code></code><code>-r restore_filename：表示将縮放規則檔案restore_filename載入後按此縮放；</code>
<code>8</code>
<code></code><code>filename：待縮放的資料檔案（要求滿足前面所述的格式）</code>
我們輸入如下參數，來執行資料的縮放操作：
<code>-l 0 -u 1 -s src/s_rules.txt src/raw_data.txt</code>
資料縮放的區間為[0, 1]，生成的縮放規則的檔案存放到檔案src/s_rules.txt中，最後面的檔案src/raw_data.txt就是我們進行分類的訓練資料檔案。
輸入上面參數執行後，可以看到歸一化的資料，如下所示：
<code>1.0 1:0.4114162014355702 2:1.0</code>
<code>2.0 1:1.0 3:0.3563584838823946</code>
<code>3.0 2:0.005379746835443016 3:1.0</code>
使用Eclipse的話，控制台輸出的就是上面的内容，也就是我們可以直接用來訓練的訓練資料，将其存為檔案train.txt。執行svm_scale指令，還輸出一個規則檔案（src/s_rules.txt）：
<code>x</code>
<code>0.000000000000000 1.000000000000000</code>
<code>1 0.09880000000000000 0.9765000000000000</code>
<code>2 0.2398000000000000 0.8718000000000000</code>
<code>3 0.1987000000000000 0.7633000000000000</code>
訓練分類模型
訓練分類模型的過程，就是夠呢局前面歸一化的樣本資料，建立一個分類模型，然後根據這個分類模型就能夠進行分類的預測，這也是最終的目的。
我們看一下libsvm提供的訓練模型的指令：
<code>01</code>
<code>用法： svmtrain [options] training_set_file [model_file]</code>
<code>02</code>
<code>其中， options（操作參數）：可用的選項即表示的涵義如下所示</code>
<code>03</code>
<code></code><code>-s svm類型：設定SVM 類型，預設值為0，可選類型有（對于回歸隻能選3或4）：</code>
<code>04</code>
<code></code><code>0 -- C- SVC</code>
<code>05</code>
<code></code><code>1 -- n - SVC</code>
<code>06</code>
<code></code><code>2 -- one-class-SVM</code>
<code>07</code>
<code></code><code>3 -- e - SVR</code>
<code>08</code>
<code></code><code>4 -- n - SVR</code>
<code>09</code>
<code></code><code>-t 核函數類型：設定核函數類型，預設值為2，可選類型有：</code>
<code>10</code>
<code></code><code>0 -- 線性核：u'*v</code>
<code>11</code>
<code></code><code>1 -- 多項式核： (g*u'*v+ coef 0)deg ree</code>
<code>12</code>
<code></code><code>2 -- RBF 核：e( u v 2) g -</code>
<code>13</code>
<code></code><code>3 -- sigmoid 核：tanh(g*u'*v+ coef 0)</code>
<code>14</code>
<code></code><code>-d degree：核函數中的degree設定，預設值為3；</code>
<code>15</code>
<code></code><code>-g g ：設定核函數中的g，預設值為1/k，其中k是指輸入資料中的屬性數；</code>
<code>16</code>
<code></code><code>-r coef 0：設定核函數中的coef 0，預設值為0；</code>
<code>17</code>
<code></code><code>-c cost：設定C- SVC、e - SVR、n - SVR中從懲罰系數C，預設值為1；</code>
<code>18</code>
<code></code><code>-n n ：設定n - SVC、one-class-SVM 與n - SVR 中參數n ，預設值0.5；</code>
<code>19</code>
<code></code><code>-p e ：設定n - SVR的損失函數中的e ，預設值為0.1；</code>
<code>20</code>
<code></code><code>-m cachesize：設定cache記憶體大小，以MB為機關，預設值為40；</code>
<code>21</code>
<code></code><code>-e e ：設定終止準則中的可容忍偏差，預設值為0.001；</code>
<code>22</code>
<code></code><code>-h shrinking：是否使用啟發式，可選值為0 或1，預設值為1；</code>
<code>23</code>
<code></code><code>-b 機率估計：是否計算SVC或SVR的機率估計，可選值0 或1，預設0；</code>
<code>24</code>
<code></code><code>-wi weight：對各類樣本的懲罰系數C權重，預設值為1；</code>
<code>25</code>
<code></code><code>-v n：n折交叉驗證模式，随機地将資料剖分為n部分并計算交叉檢驗準确度和均方根誤差。</code>
以上這些參數設定可以按照SVM的類型和核函數所支援的參數進行任意組合，如果設定的參數在函數或SVM 類型中沒有也不會産生影響，程式不會接受該參數；如果應有的參數設定不正确，參數将采用預設值。
training_set_file是要進行訓練的資料集；model_file是訓練結束後産生的模型檔案，該參數如果不設定将采用預設的檔案名，也可以設定成自己慣用的檔案名。
針對上面歸一化操作得到的訓練資料，我們通過輸入如下參數并執行svmtrain指令進行訓練：
<code>src/train.txt src/model.txt</code>
輸入出的src/model.txt就是分類模型，模型資料的内容，如下所示：
<code>svm_type c_svc</code>
<code>kernel_type rbf</code>
<code>gamma 0.3333333333333333</code>
<code>nr_class 3</code>
<code>total_sv 3</code>
<code>rho 0.0 0.0 0.0</code>
<code>label 1 2 3</code>
<code>nr_sv 1 1 1</code>
<code>SV</code>
<code>1.0 1.0 1:0.4114162014355702 2:1.0</code>
<code>-1.0 1.0 1:1.0 3:0.3563584838823946</code>
<code>-1.0 -1.0 2:0.005379746835443016 3:1.0</code>
根據得出的分類模型，就可以進行分類預測了。
有關訓練分類模型的優化，從參考連結中引用一段，有興趣可以實際操作一下：
本實驗中的參數-s取3，-t取2（預設）還需确定的參數是-c，-g，-p。 另外，實驗中所需調整的重要參數是-c 和 –g，-c和-g的調整除了自己根據經驗試之外，還可以使用gridregression.py對這兩個參數進行優化。 該優化過程需要用到Python（2.5），Gnuplot（4.2），gridregression.py（該檔案需要修改路徑）。然後在指令行下面運作： python.exe gridregression.py -log2c -10,10,1 -log2g -10,10,1 -log2p -10,10,1 -s 3 –t 2 -v 5 -svmtrain E:/libsvm/libsvm-2.86/windows/svm-train.exe -gnuplot E:/libsvm/libsvm-2.86/gnuplot/bin/pgnuplot.exe E:/libsvm/libsvm-2.86/windows/train.txt > gridregression_feature.parameter 以上三個路徑根據實際安裝情況進行修改。 -log2c是給出參數c的範圍和步長 -log2g是給出參數g的範圍和步長 -log2p是給出參數p的範圍和步長 上面三個參數可以用預設範圍和步長。 -s選擇SVM類型，也是隻能選3或者4 -t是選擇核函數 -v 10 将訓練資料分成10份做交叉驗證，預設為5 為了友善将gridregression.py是存放在python.exe安裝目錄下，trian.txt為訓練資料，參數存放在gridregression_feature.parameter中，可以自己命名。 搜尋結束後可以在gridregression_feature.parameter中最後一行看到最優參數。其中，最後一行的第一個參數即為-c，第二個為-g，第三個為-p，最後一個參數為均方誤差。前三個參數可以直接用于模型的訓練。然後，根據搜尋得到的參數，重新訓練，得到模型。
驗證分類模型
預測分類的指令，說明如下所示：
<code>用法：svmpredict [options] test_file model_file output_file</code>
<code>options（操作參數）：</code>
<code></code><code>-b probability_estimates：是否需要進行機率估計預測，可選值為0 或者1，預設值為0。</code>
<code></code><code>model_file 是由svmtrain 産生的模型檔案；</code>
<code></code><code>test_file 是要進行預測的資料檔案；</code>
<code></code><code>output_file 是svmpredict 的輸出檔案，表示預測的結果值。</code>
這個指令有兩個主要的作用：
一個是在得出分類模型後，對分類模型進行驗證評估，來确定分類模型的準确性。這種情況下，到輸入的驗證資料實際上也是已經知道分類結果的，可以通過指定的方式進行選取，最終将模型的精度優化到能夠接受的程度。
另一個是，使用經過驗證後的模型，對實際中未知的資料進行分類，得到分類結果，這也是分類預測的最終目的和結果。
這裡，隻有通過一組已經知道類别的資料來做驗證，才能知道分類器（基于分類模型資料）的精度如何。如果分類器精度腳底，完全可以進行額外的參數尋優來調整模型。
準備驗證分類器的資料（已知類标簽，存為檔案test.txt），如下所示：
<code>1 1:0.0599 2:0.2718 3:0.1987</code>
<code>3 1:0.6765 2:0.1398 3:0.6999</code>
<code>2 1:0.0988 2:0.9432 3:0.7633</code>
上面的資料是和訓練資料屬于同一類型的，即已經知道類别，通過将其作為模拟的待預測資料來驗證分類模型的準确度。
輸入如下參數，進行模拟預測：
<code>src/test.txt src/model.txt src/predict.txt</code>
結果會輸出分類預測的精度：
<code>Accuracy = 33.33333333333333% (1/3) (classification)</code>
使用Eclipse的話會直接輸出到控制台。然後看一下預測的結果，儲存在檔案src/predict.txt中，内容如下所示：
<code>1.0</code>
<code>2.0</code>
可見，模型的精度不是很高，隻有一個預測與實際分類相符。我們這裡隻是舉個例子，資料又很少。實際分類過程中，如果出現這種精度特别低的情況，需要對分類模型進行調整，達到一個滿意的分類精度。
預測分類
實際上預測分類的資料是類别未知的，我們通過訓練得出的分類器要做的事情就是确定待預測資料的類别。使用libsvm預設是以檔案的方式輸入資料，而且預測要求的資料格式必須和訓練時相同，是以資料檔案中第一列的類标簽可以是随便給出的，分類器會處理資料，得出類别，然後輸出到指定的檔案中。
預測分類和前面的“驗證分類模型”中的執行過程是一樣的。
如果有其他需要，可以适當修改libsvm程式，使其支援你想要的輸入輸出方式。
![Surprise：一個Python推薦系統算法庫一、基本子產品二、實作推薦算法[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)