matlab libsvm工具箱32/64位 3.2.1 加强版

matlab libsvm工具箱是针对matlab推出的工具箱，软件的功能非常强大，支持32位和64位的操作系统，适用于计算智能研究、开发者、学生等进行使用，而且上手操作简单，内附详细教程。只要复制到toolbox工具箱下，就可以使用！

matlab libsvm工具箱怎么安装

首先是下载好安装压缩包，我这里下载的是libsvm-3.1.zip，下载好，解压，然后将其放到MATLAB安装文件夹toolbox文件夹下，这里说明一点：并不是必须要到这个文件夹下，只是为了规范，这样应用的时候，工具箱就全在toolbox工具箱文件夹里了。便于管理和操作。

以我的电脑为例，我的MATLAB安装在D盘Program Files文件夹中，那么我需要将解压好的libsvm-3.1文件夹放在D:\Program Files\MATLAB\R2012b\toolbox文件夹下

然后我们需要将这个路径设定进来。

点击 file- set path

会弹出下面这个界面，这里要注意了，很多教程中都是说点击add folders-，但是很多情况下，都会发生错误，这是因为如果你的工具箱文件夹中含有子文件夹，那么久无法添加到路径当中来，那么应用的时候肯定会发生错误。

正确添加方法（如下图）：单击-add with subfolders，找到刚才的libsvm-3.1文件夹，确定，然后最后保存就可以了。

说明：

并不是到这一步，就代表工具箱导入成功了，要具体看工具箱的说明，例如对这一个工具箱libsvm，工具箱还不可以用，还需要进行编译、make等操作。

一、具体步骤（C++6.0）

切换matlab运行目录致：D:\Program Files\MATLAB\R2014b\toolbox\libsvm-3.1\matlab\

在MATLAB主窗口中依次输入

mex -setup 回车,这里注意-前面是有空格的

y  回车

然后在出现的选项中选择含有C++6.0的那个选项的序号，例如我的是2，那么输入 2 回车，如果是vs2012参考下面的mex-setup

y 回车

make 回车

等待自动执行完毕，导入全部完成，可以使用了。

二、具体步骤（vs2012）

切换matlab运行目录致：D:\Program Files\MATLAB\R2014b\toolbox\libsvm-3.1\matlab\

在MATLAB主窗口中依次输入

>> mex -setup
MEX 配置为使用 'Microsoft Visual C++ 2012 (C)' 以进行 C 语言编译。
警告: MATLAB C 和 Fortran API 已更改，现可支持包含 2^32-1 个以上元素的 MATLAB 变量。不久以后，您需要更新代码以利用新的 API。您可以在以下网址找到相关详细信息:
 要选择不同的语言，请从以下选项中选择一种命令:
mex -setup C++ 
mex -setup FORTRAN

后来按照libsvm提供的最原始办法：make 解决了

具体步骤如下：

1、下载libsvm，我下载的是libsvm-3.1版本

2、解压后放到matlab的安装目录下，我个人喜欢直接放到matlab下面的toolbox里面，毕竟这也是其中的工具之一。

3、在matlab主界面找到“设置路径”，添加文件夹及其子文件，索性把整个libsvm-3.1全添加进去，反正可能都要用到。

4、切换matlab运行目录致：D:\Program Files\MATLAB\R2014b\toolbox\libsvm-3.1\matlab，在命令行输入make，也就是该目录下的那个make文件。这时候就像以前安装libsvm一样，会自动make出来很多文件，不用管，主要是会看到make出带有mexm64后缀名的文件，这就成功了。

5、拷贝4步骤中matlab文件夹下所有make出来的文件，到libsvm-3.1\windows文件夹下，替换替换替换……，统统替换。

6、over，出一口气，放松一下，距离成功只差后面的第七步

7、验证是否成功：使用数据libsvm试验数据下载

可以将下载后的heart_scale.mat数据复制到刚才的目录下（其实无所谓）。然后输入libsvm工具箱特有的语句，就可以验证成功与否了：

>> 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);

输出：

*
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)

得到了分类精度，这就证明libsvm安装成功！