徐海蛟博士 Teaching.
光說不練，很難真正了解svm的妙處，也難以真正實用。是以，有必要跟着徐海蛟老師一起練習svm。svm理論和工具已經很成熟了。童鞋們并不需要手寫每一行代碼。一個非常好用的開發工具包是LibSVM，支援C++、Java、Matlab語言。libSVM隻是衆多SVM實作版本中的其中之一。
LibSVM是台灣大學林智仁(Chih-Jen Lin) 教授2001年開發的一套svm支援向量機的庫，這套庫運算速度還是挺快的，可以很友善的對資料做分類或回歸。由于libSVM程式小，運用靈活，輸入參數少，并且是開源的，易于擴充，是以成為目前國内應用最多的SVM的庫。
這套庫可以從官網免費獲得，目前已經發展到3.17版（2013年4月）。Libsvm ReadMe中文說明檔案在。下載下傳.zip格式的版本，解壓後可以看到，主要有6個檔案夾和一些c++源碼檔案。
Java —— 主要是應用于java平台；
Matlab —— 主要是應用于matlab平台；
Python —— 是用來參數優選的工具，稍後介紹；
svm-toy —— 一個可視化的工具，用來展示訓練資料和分類界面，裡面是源碼，其編譯後的程式在windows檔案夾下；
tools —— 主要包含四個python檔案，用來資料集抽樣(subset)，參數優選（grid），內建測試(easy), 資料檢查(checkdata)；
windows —— 包含libSVM四個exe程式(svm-scale,svm-toy,svm-train,svm-predict)。
svm-scale:一個用于對輸入資料進行歸一化的簡易工具;
svm-toy:一個帶有圖形界面的互動式SVM二分類功能示範小工具；
svm-train：對使用者輸入的資料進行SVM訓練。其中，訓練資料是按照以下格式輸入的：
<類别号> <索引1>：<特征值1> <索引2>：<特征值2>...
svm-predict：根據SVM訓練得到的模型，對輸入資料進行預測，即分類。
在目錄libsvm-3.17\下，還有heart_scale，是一個樣本檔案，包含270個正反例樣本點，可以用記事本打開，用來測試用的。
其他.h和.cpp檔案都是程式的源碼，可以編譯出相應的.exe檔案。其中，最重要的是svm.h和svm.cpp檔案，svm-predict.c、svm-scale.c和svm-train.c（還有一個svm-toy.c在svm-toy\windows\檔案夾中）都是調用的這個檔案中的接口函數，編譯後就是windows\下相應的四個exe程式。
另外，裡面的 README 跟 FAQ 也是很好的檔案，對于初學者如果E文過得去，可以看一下。PS:《libsvm最新ReadMe中文檔New2013》在csdn裡面有下載下傳。
下面以svm-train為例，簡單的介紹下，怎麼編譯：（這步很簡單，也沒必要，對于僅僅使用libsvm庫的人來說，windows下的4個exe包已經足夠了，之是以加這步，是為了那些做深入研究的人，可以按照自己的思路改變一下svm.cpp，然後編譯驗證）
VC 6.0為例，建立一個控制台（win32 console application）程式，程式名叫svm-train（這個可以随意），點選OK後，選擇empty。
進入程式架構後，裡面什麼都沒有，然後找到你的程式目錄，把svm-train.c、svm.h和svm.cpp拷貝過去（.c檔案是c語言的，要是你習慣了c++，你盡可以改成.cpp），然後把這3個檔案添加到工程，編譯。。。如果沒錯誤，到debug下面看看，是不是有個svm-train.exe。其實windows下的svm-train.exe就是這樣編譯出來的。
怎麼樣是不是很簡單。但是，這樣的程式直接運作沒意義，他要在dos下運作，接收參數才行。下面開始我們的libsvm的體驗之旅。
類似地，如果是使用Java版本的Libsvm，在myeclipse裡面很快搞定。
windows\的子檔案夾，裡面有一個名為svm-toy.exe的可執行檔案，這個小玩意兒是比較直覺地感受下svm的分類效果，它是一個帶有圖形界面的互動式SVM二分類功能示範小工具。直接輕按兩下，運作該可執行檔案。
點選第二個按鈕“Run”,然後，在左上部分，用滑鼠左鍵随機點幾下，代表你選擇的第一類模式的資料分布。
之後，點選“Change”，接着，用滑鼠左鍵在視窗右下方随便點選幾下，代表你選擇的第二類模式的資料分布，如下圖所示:
圖中左上方色的區域，是第一類模式所在的區域，右下方的區域，是你選擇的第二類模式所在的的區域，而兩者的分界面，也就是SVM的最優分類面。當然，SVM是通過核函數将原始資料映射到高維空間，在高維空間進行線性分類。換句話說，在高維空間，這兩類資料應該是線性可分的，即：最優分類面應該是一條直線，而這裡看到的，是将高維空間分類的結果又映射回原始空間所呈現的分類結果，即：非線性的分類面。