雖然網絡上已經有了很多的類似的東西了吧。但是呢，我自己還是要寫一寫的。
安裝：
對于 libsvm工具包，我們可以去官方網站下載下傳，網址為：http://www.csie.ntu.edu.tw/~cjlin/libsvm/，這上面有很好的介紹。
我下載下傳的版本為 libsvm-3.22。下載下傳完了以後，可以檢視到檔案夾裡面的内容。(其中，的一個heart_scale的matlab格式的檔案是我自己在網上下載下傳的）
裡面的 matlab檔案夾裡的内容就是我們要用到的内容(裡面有的檔案我已經編譯好了，即 .mexw64的相關檔案）。裡面有一個README 的檔案，可以讀讀，作出了相關的介紹。
雖然在windows檔案夾下有給出了 .mexw64的檔案，但是我償試過，沒有辦法用，是以呢，對于用c++下的 svmtrain.c、svmpredict、libsvmread.c、libsvmwrite.c（這四個檔案是主要的）檔案我們要把它編譯成matlab可以使用的以.mexw64的檔案。。（注意，在64位下是以.mexw64結尾，在32位下應該是以.mexw32結尾).
以上簡單說了一下 檔案夾内的東西，現在正式說說安裝過程吧。
1. 下載下傳工具包；（可以在官網下載下傳，我同時也提供了我下載下傳的并且我編譯過的工具包，http://pan.baidu.com/s/1hsmR1li）
2. 我們把工具包裡的 matlab 檔案夾下的的.c檔案編譯為matlab軟體可以使用的.mexw64檔案.
我們要做的是在matlab裡編譯c++檔案，我們要配置matlab的編譯器，matlab自身好像自代了一個 lcc的編譯器，不過我的沒有。如果你的電腦安裝了其它的編譯器，我們就可以使用它。（注意一點，matlab支援的編譯器必須低于目前的matlab的版本，例如我的matlab為2012b版本，它就不支援vs2012版本，我又安裝了vs2010版本，它就支援了，通過https://cn.mathworks.com/support/sysreq/previous_releases.html可以自己檢視下自己的版本以及支援的編譯器）。如何配置：
1）在matlab中輸入：
再選擇 y, 會出現這樣的：mex –setupmatlab下使用svmlib工具包 然後選擇一個預設的編譯器就可以了，我這裡隻有 visual c++ 2010,也隻能選擇它了。
2）配置完預設的編譯器，我們就編譯我們的在matlab檔案夾下的 .c 檔案吧。。讓我們把目前目錄切換到 matlab檔案夾下，裡面有一個 make.m 的檔案，裡面的内容就是編譯的指令，我們直接運作它就可以（你可以選中檔案右擊選擇run,也可以在指令視窗直接輸入make 回車）。運作完了以後呢，就生成了 .mexw64的檔案了。
3. 對于要不要設定matlab的搜尋路經的問題，可以設定，也可以直接把matlab檔案夾作用目前目錄使用 svmtrain等函數。 我使用的後者。（另外注意一點，在matlab的自代工具箱裡面也有一個svmtrain的函數，如果你設定了路經，記得把我們下載下傳的工具箱的路經設在第一位置了，要不會調用錯的）
4. 驗證一下能否使用。
在下載下傳的工具箱檔案夾裡面有一個 heart_scale的檔案，這個是c++能打開的檔案，我們直接使用load搞不定的。把這個檔案複制到matlab檔案夾下，使用 libsvmread 載入；方法為：
[label_vector, instance_matrix] = libsvmread(\'filename\') 另個有我的檔案包裡面也包含了 heart_scale.mat檔案，可以直接用load 載入的，下圖為直接load 載入：
有了資料集，我們就那建立模型，用于分類預測：
model = svmtrain(heart_scale_label, heart_scale_inst);
[predict_label] = svmpredict(heart_scale_label, heart_scale_inst, model); 下圖為輸出：
5 ，搞定。
工具箱的簡單使用：
http://blog.csdn.net/bryan__/article/details/51506801
多分類問題怎麼解決呢？通常把多分類問題分解為一系列SVM可直接求解的兩分類問題。在此思想上，通常有以下方法：
1. 一類對餘類法，聽這個名字就知道是什麼意思，如果一共有K類，那麼最後訓練一共有K個SVM。 判别時,輸入信号分别經過k個分類機共得到k個輸出值fi(x)=sgn(gi(x)),若隻有一個+1出現,則其對應類别為輸入信号類别;若輸出不隻一個+1(不隻一類聲稱它屬于自己),或者沒有一個輸出為+1(即沒有一個類聲稱它屬于自己),則比較g(x)輸出值,最大者對應類别為輸入的類别。
2. 一對一分類法。。如果一共有K類的話，那麼最終得到的SVM為P=k(k-1)/2個。 判别時，将輸入信号X分别送到P個判别函數f(x),若f(x)=+1,判X為i類,i類獲得一票,否則判為j類,j類獲得一票。分别統計k個類别在P個判别函數結果中的得票數,得票數最多的類别就是最終判定類别。
上面為最簡單的最常用的方法， 另外還有其它方法，不介紹了。
模組化時用到的參數：（來自http://www.matlabsky.com/thread-12380-1-1.html）
Options：可用的選項即表示的涵義如下
-s svm類型：SVM設定類型(預設0)
0 -- C-SVC
1 --v-SVC
2 – 一類SVM
3 -- e -SVR
4 -- v-SVR
-t 核函數類型：核函數設定類型(預設2)
0 – 線性：u\'v
1 – 多項式：(r*u\'v + coef0)^degree
2 – RBF函數：exp(-gamma|u-v|^2)
3 –sigmoid：tanh(r*u\'v + coef0)
-d degree：核函數中的degree設定(針對多項式核函數)(預設3)
-g r(gama)：核函數中的gamma函數設定(針對多項式/rbf/sigmoid核函數)(預設1/ k)
-r coef0：核函數中的coef0設定(針對多項式/sigmoid核函數)((預設0)
-c cost：設定C-SVC，e -SVR和v-SVR的參數(損失函數)(預設1)
-n nu：設定v-SVC，一類SVM和v- SVR的參數(預設0.5)
-p p：設定e -SVR 中損失函數p的值(預設0.1)
-m cachesize：設定cache記憶體大小，以MB為機關(預設40)
-e eps：設定允許的終止判據(預設0.001)
-h shrinking：是否使用啟發式，0或1(預設1)
-wi weight：設定第幾類的參數C為weight*C(C-SVC中的C)(預設1)
-v n: n-fold互動檢驗模式，n為fold的個數，必須大于等于2 其中-g選項中的k是指輸入資料中的屬性數。option -v 随機地将資料剖分為n部分并計算互動檢驗準确度和均方根誤差。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。
http://blog.csdn.net/bryan__/article/details/51506801寫的也很好。
其中寫到：SVM模型有兩個非常重要的參數C與gamma。其中 C是懲罰系數，即對誤差的寬容度。c越高，說明越不能容忍出現誤差,容易過拟合。C越小，容易欠拟合。C過大或過小，泛化能力變差
gamma是選擇RBF函數作為kernel後，該函數自帶的一個參數。隐含地決定了資料映射到新的特征空間後的分布，gamma越大，支援向量越少，gamma值越小，支援向量越多。支援向量的個數影響訓練與預測的速度。
這裡有一個用于參數c與g選擇的相關知識：http://www.ilovematlab.cn/thread-47819-1-1.html
C越大，相當于懲罰松弛變量，希望松弛變量接近0，即對誤分類的懲罰增大，趨向于對訓練集全分對的情況，這樣對訓練集測試時準确率很高，但泛化能力弱。C值小，對誤分類的懲罰減小，允許容錯，将他們當成噪聲點，泛化能力較強。
http://www.cnblogs.com/zhizhan/p/4412343.html也寫的很好的啊。
比如：寫到了為什麼要選擇RBF？？
通常而言，RBF核是合理的首選。這個核函數将樣本非線性地映射到一個更高維的空間，與線性核不同，它能夠處理分類标注和屬性的非線性關系。并且，線性核是RBF的一個特例（Keerthi and Lin 2003），是以，使用一個懲罰因子C的線性核與某些參數（C,γ）的RBF核具有相同的性能。同時，Sigmoid核的表現很像一定參數的RBF核（Lin and Link 2003）。
第二個原因，超參數（hyperparameter）的數量會影響到模型選擇的複雜度（因為參數隻能靠試驗呀！）。多項式核比RBF核有更多的超參數。
最後，RBF核有更少的數值複雜度（numerical difficulties）。一個關鍵點0<Kij<=1對比多項式核，後者關鍵值需要 infinity(rxiTxj+r>1)或者zero(rxiTxj+r<1)，這是高階運算。此外，我們必須指出sigmoid核在某些參數下不是合法的 （例如，不是兩個向量的内積）。（Vapnik 1995）。