下载的libsvm包里面已经为我们编译好了（windows）。进入libsvmwindows，可以看到这几个exe文件：
a.svm-toy.exe:图形界面，可以自己画点，产生数据等。
b.svm-scale.exe:对特征值进行缩放。
c.svm-train.exe:接收特定格式的输入，产生一个model文件。
d.svm-predict.exe:依照已经train好的model，输入新的数据，并输出预测新数据的类别。
svm-toy.exe
可以自己生成数据，双击svm-toy，点击change可以在画布上画点：
点击run，其实就是train的过程。它是个toy（玩具），是为了人们更形象地了解svm，其具体玩法就不做介绍了。
svm-scale.exe
因为原始数据可能范围过大或过小，svmscale可以先将数据重新scale(缩放)到适当范围使训练与预测速度更快。
使用方法：
svm-scale.exe [-l lower] [-u upper] [-y y_lower y_upper] [-s save_name] [-r store_name] filename
其中：
-l lower : x scaling lower limit (default -1) 特征值缩放下限，默认为-1
-u upper : x scaling upper limit (default +1) 特征值缩放上限，默认为+1
-y y_lower y_upper : y scaling limits (default: no y scaling) 是否对目标值进行缩放及缩放的上下限，默认不缩放 注意：（回归需要对目标进行缩放，因此该参数可以设定为 -y -1 1）
-s save_filename : save scaling parameters to save_filename 表示将缩放的规则保存为文件save_filename
-r restore_filename : restore scaling parameters from restore_filename 表示将缩放规则文件restore_filename载入后按此规则缩放
若要了解更具体的缩放规则，请参考：http://blog.csdn.net/dxy_1110/article/details/43851955
svm-train.exe
用于训练数据，生成模型；
使用方法：
svm-train.exe [options] training_set_file [model_file]
其中：
options（操作参数）：可用的选项即表示的含义如下所示：
-s svm类型：设置SVM类型，默认值为0，可选类型有（对于回归只能选3或4）：
0 – C-SVC
1 – n-SVC
2 -- one-class-SVM
3 – e-SVR
4 – n-SVR
-t 核函数类型：设置核函数类型，默认值为2，可选类型有：
0 -- 线性核： u'*v
1 -- 多项式核： (g*u'*v+ coef 0)deg ree
2 -- RBF 核： e( u v 2) g –
3 -- sigmoid 核： tanh(g*u'*v+ coef 0)
-d degree：核函数中的degree设置，默认值为3；
-g g：设置核函数中的g，默认值为1/k；
-r coef0：设置核函数中的coef0，默认值为0；
-c cost：设置 C- SVC 、 e - SVR 、 n - SVR 中的惩罚系数 C ，默认值为 1 ；
-n n：设置n - SVC 、 one-class-SVM 与 n - SVR 中参数 n ，默认值 0.5 ；
-p e：设置n - SVR 的损失函数中的 e ，默认值为 0.1 ；
-m cachesize：设置 cache 内存大小，以 MB 为单位，默认值为 40 ；
-e e：设置终止准则中的可容忍偏差，默认值为0.001；
-h shrinking：是否使用启发式，可选值为0或1，默认值为1；
-b 概率估计：是否计算SVC或SVR的概率估计，可选值0或1，默认0；
-wi weight：对各类样本的惩罚系数C加权，默认值为1；
-v n：n折交叉验证模式。
（其中-g选项中的k是指输入数据中的属性数。操作参数-v随机地将数据剖分为n部分并计算交叉检验准确度和均方根误差。以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM类型中没有也不会产生影响，程序不会接收该参数，如果应有的参数设置不正确，参数将采用默认值。）
training_set_file：是要进行训练的数据集；
model_file：是训练结束后产生的模型文件，该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。
举个例子如下：
C:libsvm-3.18windows>svm-train.exe heart_scale
输出：
简单对屏幕回显信息进行说明：
#iter为迭代次数，
nu 与前面的操作参数-n nu 相同，
obj为SVM文件转换为的二次规划求解得到的最小值，
rho 为判决函数的常数项b，
nSV 为支持向量个数，
nBSV为边界上的支持向量个数，
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）。
训练后的模型保存为文件*.model，用记事本打开其内容如下：
svm_type c_svc % 训练所采用的svm类型，此处为C- SVC
kernel_type rbf %训练采用的核函数类型，此处为RBF核
gamma 0.0769231 %设置核函数中的g ，默认值为1/ k
nr_class 2 %分类时的类别数，此处为两分类问题
total_sv 132 %总共的支持向量个数
rho 0.424462 %决策函数中的常数项b
label 1 -1%类别标签
nr_sv 64 68 %各类别标签对应的支持向量个数
SV %以下为支持向量
1 1:0.166667 2:1 3:-0.333333 4:-0.433962 5:-0.383562 6:-1 7:-1 8:0.0687023 9:-1 10:-0.903226 11:-1 12:-1 13:1
0.5104832128985164 1:0.125 2:1 3:0.333333 4:-0.320755 5:-0.406393 6:1 7:1 8:0.0839695 9:1 10:-0.806452 12:-0.333333 13:0.5
1 1:0.333333 2:1 3:-1 4:-0.245283 5:-0.506849 6:-1 7:-1 8:0.129771 9:-1 10:-0.16129 12:0.333333 13:-1
1 1:0.208333 2:1 3:0.333333 4:-0.660377 5:-0.525114 6:-1 7:1 8:0.435115 9:-1 10:-0.193548 12:-0.333333 13:1
补充：采用交叉验证选择最佳参数C与g
通常而言，比较重要的参数是 gamma (-g) 跟 cost (-c) 。而 cross validation (-v)的参数常用5。那么如何去选取最优的参数c和g呢？上篇博文提到可以使用libsvm子目录下面的grid.py。
grid.py是一种用于RBF核函数的C-SVM分类的参数选择程序。用户只需给定参数的一个范围，grid.py采用交叉验证的方法计算每种参数组合的准确度来找到最好的参数。
Usage: grid.py [-log2c begin,end,step] [-log2g begin,end,step] [-v fold] [-svmtrain pathname] [-gnuplot pathname] [-out pathname] [-png pathname] [additional parameters for svm-train] dataset The program conducts v-fold cross validation using parameter C (and gamma)= 2^begin, 2^(begin+step), ..., 2^end.
示例：
python grid.py -log2c -10,10,1 -log2g 10,-10,-1 trainset.txt
这是给参数C和g设定了一个范围，且给定了变化步长，程序会在给定范围内寻找最优参数C和g。
当然也可以直接这样：
python grid.py trainset.txt
让程序自动获取最佳的C和g。常会出现的情况是：对不同的C和g，交叉验证的精度（Accuracy）常会相同。这会导致当不指定范围时，得到的C过大或过小，过大时，表示对错误例惩罚程度越大，可能到导致模型过拟合，使得在对测试集进行测试时，准确率较低。C过小时，容易欠拟合。
svm-predict.exe
用来测试训练结果的准确率。
使用方法：
svm-predict.exe[options] test_file model_file output_file
options（操作参数）：
-b probability_estimates：是否需要进行概率估计预测，可选值为0或1，默认值为0。
test_file：是要进行预测的数据文件；
model_file：是由svm-train.exe产生的模型文件；
output_file：是svmpredict的输出文件，表示预测的结果值。
（注：输出结果包括均方误差（Mean squared error）和相关系数（Squared corralation coefficient）。）
例如：
./svm-predict heart_scale heart_scale.model heart_scale.out
这里显示的是结果：
Accuracy = 86.6667% (234/270) (classification)
以上。