matlab libsvm工具箱32/64位 3.2.1 加強版

matlab libsvm工具箱是針對matlab推出的工具箱，軟件的功能非常強大，支持32位和64位的操作係統，適用於計算智能研究、開發者、學生等進行使用，而且上手操作簡單，內附詳細教程。隻要複製到toolbox工具箱下，就可以使用！

matlab libsvm工具箱怎麼安裝

首先是下載好安裝壓縮包，我這裏下載的是libsvm-3.1.zip，下載好，解壓，然後將其放到MATLAB安裝文件夾toolbox文件夾下，這裏說明一點：並不是必須要到這個文件夾下，隻是為了規範，這樣應用的時候，工具箱就全在toolbox工具箱文件夾裏了。便於管理和操作。

以我的電腦為例，我的MATLAB安裝在D盤Program Files文件夾中，那麼我需要將解壓好的libsvm-3.1文件夾放在D:\Program Files\MATLAB\R2012b\toolbox文件夾下

然後我們需要將這個路徑設定進來。

點擊 file- set path

會彈出下麵這個界麵，這裏要注意了，很多教程中都是說點擊add folders-，但是很多情況下，都會發生錯誤，這是因為如果你的工具箱文件夾中含有子文件夾，那麼久無法添加到路徑當中來，那麼應用的時候肯定會發生錯誤。

正確添加方法（如下圖）：單擊-add with subfolders，找到剛才的libsvm-3.1文件夾，確定，然後最後保存就可以了。

說明：

並不是到這一步，就代表工具箱導入成功了，要具體看工具箱的說明，例如對這一個工具箱libsvm，工具箱還不可以用，還需要進行編譯、make等操作。

一、具體步驟（C++6.0）

切換matlab運行目錄致：D:\Program Files\MATLAB\R2014b\toolbox\libsvm-3.1\matlab\

在MATLAB主窗口中依次輸入

mex -setup 回車,這裏注意-前麵是有空格的

y  回車

然後在出現的選項中選擇含有C++6.0的那個選項的序號，例如我的是2，那麼輸入 2 回車，如果是vs2012參考下麵的mex-setup

y 回車

make 回車

等待自動執行完畢，導入全部完成，可以使用了。

二、具體步驟（vs2012）

切換matlab運行目錄致：D:\Program Files\MATLAB\R2014b\toolbox\libsvm-3.1\matlab\

在MATLAB主窗口中依次輸入

>> mex -setup
MEX 配置為使用 'Microsoft Visual C++ 2012 (C)' 以進行 C 語言編譯。
警告: MATLAB C 和 Fortran API 已更改，現可支持包含 2^32-1 個以上元素的 MATLAB 變量。不久以後，您需要更新代碼以利用新的 API。您可以在以下網址找到相關詳細信息:
 要選擇不同的語言，請從以下選項中選擇一種命令:
mex -setup C++ 
mex -setup FORTRAN

後來按照libsvm提供的最原始辦法：make 解決了

具體步驟如下：

1、下載libsvm，我下載的是libsvm-3.1版本

2、解壓後放到matlab的安裝目錄下，我個人喜歡直接放到matlab下麵的toolbox裏麵，畢竟這也是其中的工具之一。

3、在matlab主界麵找到“設置路徑”，添加文件夾及其子文件，索性把整個libsvm-3.1全添加進去，反正可能都要用到。

4、切換matlab運行目錄致：D:\Program Files\MATLAB\R2014b\toolbox\libsvm-3.1\matlab，在命令行輸入make，也就是該目錄下的那個make文件。這時候就像以前安裝libsvm一樣，會自動make出來很多文件，不用管，主要是會看到make出帶有mexm64後綴名的文件，這就成功了。

5、拷貝4步驟中matlab文件夾下所有make出來的文件，到libsvm-3.1\windows文件夾下，替換替換替換……，統統替換。

6、over，出一口氣，放鬆一下，距離成功隻差後麵的第七步

7、驗證是否成功：使用數據libsvm試驗數據下載

可以將下載後的heart_scale.mat數據複製到剛才的目錄下（其實無所謂）。然後輸入libsvm工具箱特有的語句，就可以驗證成功與否了：

>> load heart_scale.mat

>> model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');

>> [predict_label, accuracy, dec_values] = svmpredict(heart_scale_label, heart_scale_inst, model);

輸出：

*
optimization finished, #iter = 134
nu = 0.433785
obj = -101.855060, rho = 0.426412
nSV = 130, nBSV = 107
Total nSV = 130

Accuracy = 86.6667% (234/270) (classification)

得到了分類精度，這就證明libsvm安裝成功！