libsvm 使用的一般步驟是：
1）按照libsvm軟體包所要求的格式準備資料集；
2）對資料進行簡單的縮放操作；
3）首要考慮選用rbf 核函式；
4）採用交叉驗證選擇最佳引數c與g ；
5）採用最佳引數c與g 對整個訓練集進行訓練獲取支援向量機模型；
6）利用獲取的模型進行測試與**。
1）libsvm使用的資料格式
該軟體使用的訓練資料和檢驗資料檔案格式如下：[label] [index1]:[value1] [index2]:[value2] …
一行一條記錄資料，如:
+1 1:0.708 2:1 3:1 4:-0.320 5:-0.105 6:-1
這裡(x,y)à((0.708,1,1, -0.320, -0.105, -1), +1)
label 或說是class, 就是你要分類的種類，通常是一些整數。
index 是有順序的索引，通常是連續的整數。
value 就是用來 train 的資料，通常是一堆實數。
2）對資料進行簡單的縮放操作
掃瞄資料. 因為原始資料可能範圍過大或過小, svmscale可以先將資料重新scale (縮放) 到適當範圍使訓練與**速度更快。
svmscale.exe的用法：svmscale.exe feature.txt feature.scaled
3） 考慮選用rbf 核函式
訓練資料形成模型（model）,實質是算出了wx+b=0中的w,b.
svmtrain的用法：svmtrain [options] training_set_file [model_file]
其中options涵義如下:
-s svm型別：設定svm 型別，預設值為0，可選型別有：
0 – c- svc
1 – nu - svc
2 – one-class-svm
3 – e - svr
4 – nu-svr
-t 核函式型別：設定核函式型別，預設值為2，可選型別有：
0 – 線性核：u』*v
1 – 多項式核：(g*u』*v+ coef0)degree
2 – rbf 核:exp(-||u-v||||u-v||/gg)
3 – sigmoid 核：tanh(g*u』*v+ coef 0)
-d degree：核函式中的degree設定，預設值為3；
-g r(gama)：核函式中的函式設定(預設1/ k);
-r coef 0：設定核函式中的coef0，預設值為0；
-c cost：設定c- svc、e - svr、n - svr中從懲罰係數c，預設值為1；
-n nu ：設定nu - svc、one-class-svm 與nu - svr 中引數nu ，預設值0.5；
-p e ：核寬,設定e - svr的損失函式中的e ，預設值為0.1；
-m cachesize：設定cache記憶體大小，以mb為單位(預設40)：
-e e ：設定終止準則中的可容忍偏差，預設值為0.001；
-h shrinking：是否使用啟發式，可選值為0 或1，預設值為1；
-b 概率估計：是否計算svc或svr的概率估計，可選值0 或1，預設0；
-wi weight：對各類樣本的懲罰係數c加權，預設值為1；
-v n：n折交叉驗證模式。
其中-g選項中的k是指輸入資料中的屬性數。操作引數 -v 隨機地將資料剖分為n 部分並計算交叉檢驗準確度和均方根誤差。以上這些引數設定可以按照svm 的型別和核函式所支援的引數進行任意組合，如果設定的引數在函式或svm 型別中沒有也不會產生影響，程式不會接受該引數；如果應有的引數設定不正確，引數將採用預設值。training_set_file是要進行訓練的資料 集；model_file是訓練結束後產生的模型檔案，該引數如果不設定將採用預設的檔名，也可以設定成自己慣用的檔名。舉個例子如下：
c:\libsvm-2.85\windows>svmtrain heart_scale
optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nsv = 132, nbsv = 107
total nsv = 132
現簡單對螢幕回顯資訊進行說明：
#iter為迭代次數，
nu 與前面的操作引數-n nu 相同，
obj為svm檔案轉換為的二次規劃求解得到的最小值，
rho 為判決函式的常數項b，
nsv 為支援向量個數，
nbsv為邊界上的支援向量個數，
total nsv為支援向量總個數。
訓練後的模型儲存為檔案*.model，用記事本開啟其內容如下：
svm_type c_svc % 訓練所採用的svm型別，此處為c- svc
kernel_type rbf %訓練採用的核函式型別，此處為rbf核
gamma 0.0769231 %設定核函式中的g ，預設值為1/ k
nr_class 2 %分類時的類別數，此處為兩分類問題
total_sv 132 %總共的支援向量個數
rho 0.424462 %決策函式中的常數項b
label 1 -1%類別標籤
nr_sv 64 68 %各類別標籤對應的支援向量個數
optimization finished, #iter = 480 迭代次數
nu = 0.909091 svc ,one-class-svm, svr 引數
obj = -108.333321 二次規劃的最小值
rho = -0.166667 決策函式常數項
nsv = 220 支援向量數
nbsv = 100 邊界上支援向量數
total nsv = 220 支援向量總數
accuracy = 100% (220/220) (classification) 分類精度
matlab安裝libsvm工具包
sysbench的安裝和做效能測試
ysbench是乙個模組化的 跨平台 多執行緒基準測試工具，主要用於評估測試各種不同系統引數下的資料庫負載情況。關於這個專案的詳細介紹請看 它主要包括以下幾種方式的測試 1 cpu效能 2 磁碟io效能 3 排程程式效能 4 記憶體分配及傳輸速度 5 posix執行緒效能 6 資料庫效能 oltp基...
sysbench的安裝和做效能測試
sysbench是乙個模組化的 跨平台 多執行緒基準測試工具，主要用於評估測試各種不同系統引數下的資料庫負載情況。關於這個專案的詳細介紹請看 它主要包括以下幾種方式的測試 1 cpu效能 2 磁碟io效能 3 排程程式效能 4 記憶體分配及傳輸速度 5 posix執行緒效能 6 資料庫效能 oltp...
sysbench的安裝和做效能測試
sysbench是乙個模組化的 跨平台 多執行緒基準測試工具，主要用於評估測試各種不同系統引數下的資料庫負載情況。關於這個專案的詳細介紹請看 它主要包括以下幾種方式的測試 1 cpu效能 2 磁碟io效能 3 排程程式效能 4 記憶體分配及傳輸速度 5 posix執行緒效能 6 資料庫效能 oltp...