按照网上的说法，运行libsvm中的make.m可以完成安装，但是博主运行之后出现了找不到编译器的错误，网上找资料说：不支持VS2013 ，需要自己配置，这里博主给你一个地址，上面是配置好的，你只需按照步骤将文件复制粘贴到指定的文件夹即可。

然后可以选择编译器了，但是又会出现问题：

libsvm在matlab下的编译，在32bit和64bit的编译方式不一样，直接运行make.m，会在64bit系统出现问题，应该将代码更改为：

最后可以成功生成以下文件：

输出的str是与score相对应的打印语句。整合函数SVC：上面所说的这些函数都可以被一个整合函数SVC包含（除了VF），SVC是一个分类问题中各种函数插件的一个整合函数，类似的回归问题的整合函数是SVR。下面是SVC的用法。[predict_label,accuracy] 3[pso] 表示采用何种寻参方法输出：predict_label，预测得到的标签，accuracy，整体的分类准确率及各个类别的分类准确率，当然你如果想看训练得到的模型的话，也可以在返回参数中加一个model。大家可以验证一下，得到的结果与上面 svmtrain(train_label,train_data,cmd);tip1：在cmd中使用-t等参数的时候，一定要注意’-t‘等字母的前后空格，因为如果后面不留空格，会将前后的两个参数连在一起，以为是一个数，就会影响后面的结果。我在验证SVC与自己的组合函数得到的结果时总是得不到一样的结果，后来知道就是因为这个原因。tip2：在专门强调一下，用在寻优中的SVMtrain和我们训练时用的SVMtrain是不一样的，’-s‘的位置换成了’-v‘，而且没有核函数的选择，是一个固化好了的训练函数，只是用来训练一个模型然后去进行测试，看结果是怎样的，来评价一下，c，g参数的效果好坏，因为评价c和g好坏的指标就是分类准确率。GUI版本SVM_GUI工具箱是在Libsvm-Faruto Ultimate的基础上改进出来的一个图像可视化使用界面，使用前需要安装工具箱，它整合了SVC和SVR也就是分类和回归的两个整合函数，使用起来很方便，只需要手动去进行一些参数设置就可以了，基本上就是一个SVC参数的选择过程，这里就不详细说明了，使用起来很简单。如何提高分类器的性能：下面这些是我自己的总结，提高分类器的性能首先要提取比较好的特征，这是前提条件。1、试一下，是不是归一化的结果更好2、尝试一下不同类型的SVM类型3、选择适当的核函数，一般情况下径向基RBF核函数效果不会太差4、参数寻优，找到合适的c和g5、如果更加重视某一类的精确度，可以调整惩罚因子的大小，就是在c的基础上乘以一个权重，增大惩罚力度，尤其是对样本数据偏斜问题。先来说说样本的偏斜问题，也叫数据集偏斜（unbalanced），它指的是参与分类的两个类别（也可以指多个类别）样本数量差异很大。比如说正类有10，000个样本，而负类只给了100个，这会引起的问题显而易见由于偏斜的现象存在，使得数量多的正类可以把分类面向负类的方向“推”，因而影响了结果的准确性。对付数据集偏斜问题的方法之一就是在惩罚因子上作文章，就是给样本数量少的负类更大的惩罚因子，表示我们重视这部分样本。

上面所说的每一步都有很多细节值得改进推敲，有很多的算法去进行试验，去得到更好的分类准确率。总结：进行分类预测的整个过程就是：1、数据准备：将数据特征按照每行代表一个样本的数据，其列数就是每个样本的特征数，排好矩阵，每个样本对应的标签标好，一定要注意，样本与其标签相对应。2、预处理：是否进行归一化，是否进行降维。3、参数寻优：采用哪种寻优方式进行c和g的寻优。4：训练SVMtrain：利用求得的最优参数进行模型训练。5、预测SVMpredict：利用训练得到的model进行预测。6、根据预测的结果，进行相应的参数的调整。以上就是我在学习Libsvm-Faruto Ultimate工具箱的所有收获，分享给大家，当然可能会有一些不足之处，希望大家批评指正，写了好长时间呀。后面在我的博客中有相应的各个函数的测试样例函数。