libsvm 使用命令

libsvm下载地址，http://www.csie.ntu.edu.tw/~cjlin/

1. 数据准备成如下格式
   label1 1:value1 2:value2,…
   label2 1:value1 2:value2,…

2. 特征归一化，使用svm-scale命令，-l，-u 为归一化后特征值范[l,u]，输入文件svm_lbp_test_1，输出归一化后的文件lbptestScaled.txt，第一次保存归一化用到的参数文件-s lbp.range，第二次加载参数文件-r lbp.range
   svm-scale -l 0 -u 1 -s lbp.range svm_lbp_train_1 >lbptrainScaled.txt
   svm-scale -l 0 -u 1 -r lbp.range svm_lbp_test_1 >lbptestScaled.txt

3. 参数寻优，grid.py是对C-SVC的参数c和γ做优选
   grid.py lbptrainScaled.txt
   输出如下：
   

4. 训练，使用寻优得到的参数进行训练，保存模型lbp.model
   svm-train -c 2.0 -g 0.03125 trainlbpScaled.txt lbp.model
   训练结束后，输出如下参数
   

   其中，#iter为迭代次数，nu 是选择的核函数类型的参数，obj为SVM文件转换为的二次规划求解得到的最小值，rho为判决函数的偏置项b，nSV 为标准支持向量个数，nBSV为边界上的支持向量个数(a[i]=c)，Total nSV为支持向量总个数（对于两类来说，因为只有一个分类模型Total nSV = nSV，但是对于多类，这个是各个分类模型的nSV之和）。

5. 模型测试,加载模型lbp.model，对测试文件进行测试，输出结果到lbp_output.txt
   svm-predict lbptestScaled.txt lbp.model lbp_output.txt

更详细的使用步骤和解释见http://blog.csdn.net/flydreamgg/article/details/4466023