1. 怎么安装libsvm工具箱
你的和我的情况一模一样。
我折腾了两天最后解决了。
因为matlab软件是在win XP是弄得，后回来升级的win7最多支持到vista，所以答直接安装不行。
我在装的时候，可以安装，但是打不开，后来发现，只要安装完之后再matlab的快捷方式下点击右键，在兼容性下面点击window XP下就可以了。卸载的时候也不能卸，需要找到uninstall.exe这个文件，同样在兼容性下面点击window XP下就可以了。如果你连安装都不能的话，那么就就在install.exe中点击右键，兼容性下面选择window XP，然后确定，就一切OK了。
2. 求在MATLAB下编译好（可以直接使用）的libsvm工具箱
以下两种方法，我已经亲测可用
方法1：可以在其他朋友的电脑上进行编译，编译完后直接把libsvmread.mexw64、libsvmwrite.mexw64、svmpredict.mexw64、svmtrain.mexw64复制到你自己的程序中即可运行。这种方法的弊端是不同的算法程序中均需要复制一次。
方法2：把编译完后的libsvmread.mexw64、libsvmwrite.mexw64、svmpredict.mexw64、svmtrain.mexw64这几个文件添加到F:\MATLAB 2015a anzhuang\toolbox\libsvm-3.22\matlab下，即可
3. 怎么用MATLAB下的libsvm工具箱画最优分类面
只有线性可分的2维情况，才能画出可视化图。 高维无法可视化 线性不可分的，由于已经映射到高维空间，而且是采用核函数，本身的映射函数不可知，所以在原空间中无法画出最优分类超平面。 但通过核函数映射后在 高维空间中的分类超平面的方程可知。
4. 如何使用libsvm的svdd
安装足够高版本的libsvm工具箱,svmtrain(Label,Train,'-s 5')，就可以实现svdd
5. 谁知道怎么把libsvm添加到matlab的工具箱中
这是由于你电脑上没装C语言的编译器，比如visual studio，和matlab版本无关~~~
6. 请教，如何在matlab下配置LIBsvm加强工具箱
第一步选n，会出来几个compiler， Microsoft Visual C/C++ version 7.0， Microsoft Visual C/C++ version 6.0什么的，选择你的版本。注意执行mex的时候，matlab环境的路径设置成你要安装的libsvm的文件夹。实在不行换成matlabR2011a吧，好多东西都装好在里面了，还有一些demo什么的可以参考。
7. matlab安装libsvm工具箱
遇到了同样的问题 测试也没有问题 调用的时候出现上面两个报错
8. matlab r2014a怎样安装libsvm工具箱
1.设置路径：用Add with Subfolders添加目录（将工具箱所在文件夹的子目录也添加到MATLAB工作搜索目录）
2.选择编回译器答：mex -setup（mex后面有空格）
3.编译：make（要把MATLAB当前目录调整到libsvm工具箱所在文件夹）双击make.m文件
PS：运行help train得到的是MATLAB自带的svmtrain函数的帮助文件
运行help svmpredict会有报错：svmpredict not found
工具箱中的README稳健可以算是帮助文件
table键对函数进行补全！
9. 如何使用libsvm进行分类
这帖子就是初步教教刚接触libsvm（svm）的同学如何利用libsvm进行分类预测，关于参数寻优的问题在这里姑且不谈，另有帖子详述。
其实使用libsvm进行分类很简单，只需要有属性矩阵和标签，然后就可以建立分类模型（model），然后利用得到的这个model进行分类预测了。
那神马是属性矩阵？神马又是标签呢？我举一个直白的不能在直白的例子：
说一个班级里面有两个男生（男生1、男生2），两个女生（女生1、女生2），其中
男生1 身高：176cm 体重：70kg；
男生2 身高：180cm 体重：80kg；
女生1 身高：161cm 体重：45kg；
女生2 身高：163cm 体重：47kg；
如果我们将男生定义为1，女生定义为-1，并将上面的数据放入矩阵data中，即
data = [176 70;
180 80;
161 45;
163 47];
复制代码
在label中存入男女生类别标签（1、-1），即
label = [1;1;-1;-1];
复制代码
这样上面的data矩阵就是一个属性矩阵，行数4代表有4个样本，列数2表示属性有两个，label就是标签（1、-1表示有两个类别：男生、女生）。
Remark:这里有一点废话一些（因为我看到不止一个朋友问我这个相关的问题）:
上面我们将男生定义为1，女生定义为-1，那定义成别的有影响吗？
这个肯定没有影响啊！（用脚趾头都能想出来，我不知道为什么也会有人问），这里面的标签定义就是区分开男生和女生，怎么定义都可以的，只要定义成数值型的就可以。
比如我可将将男生定义为2，女生定义为5；后面的label相应为label=[2;2;5;5];
比如我可将将男生定义为18，女生定义为22；后面的label相应为label=[18;18;22;22];
为什么我说这个用脚趾头都能想怎么定义都可以呢？学过数学的应该都会明白，将男生定义为1，女生定义为-1和将男生定义为2，女生定义为5本质是一样的，应为可以找到一个映射将（2，5）转换成（1，-1），so所以本质都是一样的，后面的18、22本质也是一样的。
这里要多说一些，如果你原本的数据集合的标签不是数值型的（比如a、b、c）那么你完全可以通过某种转换映射将不是数值型的标签转换成数值型的。
现在回归正题，有了上面的属性矩阵data，和标签label就可以利用libsvm建立分类模型了，简要代码如下：
model = svmtrain(label,data);
复制代码
有了model我们就可以做分类预测，比如此时该班级又转来一个新学生，其
身高190cm，体重85kg
我们想通过上面这些信息就给出其标签（想知道其是男【1】还是女【-1】）
比如 令 testdata = [190 85]; 由于其标签我们不知道，我们假设其标签为-1（也可以假设为1）
Remark:这里又有一点废话一些（因为我看到不止一个朋友问我这个相关的问题）:
如果测试集合的标签没有怎么办？测试集合的标签就应该没有，否则测试集合的标签都有了，还预测你妹啊！？没有是正确的，就像上面一样，新来的学生其标签咱不应知道，就想通过其属性矩阵来预测其标签，这才是预测分类的真正目的。
之所以平时做测试时，测试集合的标签一般都有，那是因为一般人们想要看看自己的分类器的效果如何，效果的评价指标之一就是分类预测的准确率，这就需要有测试集的本来的真实的标签来进行分类预测准确率的计算。
话归正传，即
testdatalabel = -1;
然后利用libsvm来预测这个新来的学生是男生还是女生，代码如下：
[predictlabel,accuracy] = svmpredict(testdatalabel,testdata,model)
复制代码
下面我们整体运行一下上面这段恶 搞[e gao]的背景数据和代码（你别笑，这个是真能运行的，也有结果的）：
data = [176 70;
180 80;
161 45;
163 47];
label = [1;1;-1;-1];
model = svmtrain(label,data);
testdata = [190 85];
testdatalabel = -1;
[predictlabel,accuracy] = svmpredict(testdatalabel,testdata,model);
predictlabel
复制代码
运行结果如下：
Accuracy = 0% (0/1) (classification)
predictlabel =
1
复制代码
哎，我们看到，通过预测我们得知这个新来的学生的标签是1(男生)，由于原本我们假设其标签为-1，假设错误，所以分类准确率为0%。
好，通过上面的讲解，不知道诸位看官对于利用libsvm进行分类是否有了一定了解【谁要是这么通俗的例子还搞不清楚怎么使用libsvm进行分类，那我真无语啦】，下面使用libsvm工具箱本身带的测试数据heart_scale来实际进行一下测试：
%% HowToClassifyUsingLibsvm
% by faruto @ faruto's Studio~
% http://blog.sina.com.cn/faruto
% Email:[email protected]
% http://www.MATLABsky.com
% http://www.mfun.la
% http://video.ourmatlab.com
% last modified by 2010.12.27
%% a litte clean work
tic;
close all;
clear;
clc;
format compact;
%%
% 首先载入数据
load heart_scale;
data = heart_scale_inst;
label = heart_scale_label;
% 选取前200个数据作为训练集合，后70个数据作为测试集合
ind = 200;
traindata = data(1:ind,:);
trainlabel = label(1:ind,:);
testdata = data(ind+1:end,:);
testlabel = label(ind+1:end,:);
% 利用训练集合建立分类模型
model = svmtrain(trainlabel,traindata,'-s 0 -t 2 -c 1.2 -g 2.8');
% 分类模型model解密
model
Parameters = model.Parameters
Label = model.Label
nr_class = model.nr_class
totalSV = model.totalSV
nSV = model.nSV
% 利用建立的模型看其在训练集合上的分类效果
[ptrain,acctrain] = svmpredict(trainlabel,traindata,model);
% 预测测试集合标签
[ptest,acctest] = svmpredict(testlabel,testdata,model);
%%
toc;
复制代码
运行结果：
model =
Parameters: [5x1 double]
nr_class: 2
totalSV: 197
rho: 0.0583
Label: [2x1 double]
ProbA: []
ProbB: []
nSV: [2x1 double]
sv_coef: [197x1 double]
SVs: [197x13 double]
Parameters =
0
2.0000
3.0000
2.8000
0
Label =
1
-1
nr_class =
2
totalSV =
197
nSV =
89
108
Accuracy = 99.5% (199/200) (classification)
Accuracy = 68.5714% (48/70) (classification)
Elapsed time is 0.040873 seconds.
>>
10. 如何在Visual Studio2012里使用libsvm工具箱
视图--工具箱 在这里找到所有可用控件。 Ctrl+Alt+X 打开工具箱的快捷键。 默认的，如果你选的是VC开发习惯的vs，那么在右边栏里找工具箱。如果是默认的开发环境一般是在左边有工具箱。你可以点自动隐藏或固定住这个窗口。