LIBSVM是一个由台湾大学林智仁(Lin Chih-Jen)教授等开发的SVM模式识别与回归的软件包，使用简单，功能强大。（注意本文介绍的不是matlab自带的svm实现函数，自带的svm实现函数仅支持分类问题，不支持回归问题；而libsvm不仅支持分类问题，亦支持回归问题，参数可调节，功能更强大。）
libsvm工具箱中svmtrain函数格式为：
model= svmtrain(train_label, train_data, ['libsvm_options']);
两个步骤：训练建模——>模型预测
分类 model = svmtrain(train_label, train_data, '-s 0 -t 2 -c 1.2 -g 2.8');
回归 model = svmtrain(train_label, train_data, '-s 3 -t 2 -c 2.2 -g 2.8 -p 0.01');
其中：
train_label表示训练集的标签。
train_matrix表示训练集的数据。
libsvm_options是需要设置的一系列参数，如果用回归的话，其中的-s参数值应为3。
参数说明：
-s svm类型：SVM设置类型(默认0)
0 -- C-SVC
1 --v-SVC
2 – 一类SVM
3 -- e -SVR
4 -- v-SVR
-t 核函数类型：核函数设置类型(默认2)
0 – 线性：u'v
1 – 多项式：(r*u'v + coef0)^degree
2 – RBF函数：exp(-r|u-v|^2)
3 –sigmoid：tanh(r*u'v + coef0)
-d degree：核函数中的 degree 设置(针对多项式核函数)(默认 3)
-g r(gama)：核函数中的 gamma 函数设置(针对多项式/rbf/sigmoid 核函数)(默认 1/ k)
-r coef0：核函数中的 coef0 设置(针对多项式/sigmoid 核函数)((默认 0)
-c cost：设置 C-SVC，e -SVR 和 v-SVR 的参数(损失函数)(默认 1)
-n nu：设置 v-SVC，一类 SVM 和 v- SVR 的参数(默认 0.5)
-p p：设置 e -SVR 中损失函数 p 的值(默认 0.1)
-m cachesize：设置 cache 内存大小，以 MB 为单位(默认 40)
-e eps：设置允许的终止判据(默认 0.001)
-h shrinking：是否使用启发式，0 或 1(默认 1)
-wi weight：设置第几类的参数 C 为 weight*C(C-SVC 中的 C)(默认 1)
-v n: n-fold 交互检验模式，n 为 fold 的个数，必须大于等于 2
其中-g 选项中的 k 是指输入数据中的属性数。option -v 随机地将数据剖分为 n 部分并计算交互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，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。
本文主要介绍的是svmtrain函数返回的model参数，model是训练得到的模型，是一个结构体（如果参数中用到-v，得到的就不是结构体，对于分类问题，得到的是交叉检验下的平均分类准确率；对于回归问题，得到的是均方误差）。
举例说明：
Parameters: [5x1 double] %结构体变量，依次保存的是 -s -t -d -g -r参数
nr_class: 4 %分类类别标签的数目
totalSV: 39 %总的支持向量个数
rho: [6x1 double] %分类器截距的负值，b=-model.rho
Label: [4x1 double] %类别的标号
ProbA: []
ProbB: [] %关于这两个参数这里不做介绍，使用-b 参数时才能用到，用于概率估计
nSV: [4x1 double] %每一类的支持向量的个数
%注： model.nSV 所代表的顺序是和 model.Label 相对应的
sv_coef: [39x3 double] %支持向量的系数，与SVs相对应
SVs: [39x12 double] %具体的支持向量，以稀疏矩阵的形式存储
由于w*x+b=0，则：
特征权重：wi=model.SVs'*model.sv_coef
%wi 其实是 alpha 和支持向量的类别标签（1 或-1 的乘积）
b=-model.rho
w是高维空间中分类超平面的法向量，b是常数项。
补充两篇超好的CSDN链接（神仙文章！！！）：https://blog.csdn.net/jbb0523/article/details/80918214 （二分类）
https://blog.csdn.net/jbb0523/article/details/103355415 （多分类）
还有一篇关于Libsvm的svmtrain和svmpredict以及参数简介（较详细）：
