在LibSVM笔记系列（1）中已经提到在g++环境中编译LibSVM只需要一个make命令那样简单。
本文将介绍
（1）LibSVM的编译文件结构
（2）svm.h中重要数据结构及函数分析
（3）svm_train.c 和 svm_predict.c源代码分析
（4）如何将LibSVM移植到eclipse IDE环境中
1. LibSVM编译文件结构
要了解一个工程是如何编译链接的，最好的办法是参考Makefile。
CXX ?= g++
CFLAGS = -Wall -Wconversion -O3 -fPIC
SHVER = 2
OS = $(shell uname)
all: svm-train svm-predict svm-scale
lib: svm.o
if [ "$(OS)" = "Darwin" ]; then
SHARED_LIB_FLAG="-dynamiclib -Wl,-install_name,libsvm.so.$(SHVER)";
else
SHARED_LIB_FLAG="-shared -Wl,-soname,libsvm.so.$(SHVER)";
fi;
$(CXX) $${SHARED_LIB_FLAG} svm.o -o libsvm.so.$(SHVER)
svm-predict: svm-predict.c svm.o
$(CXX) $(CFLAGS) svm-predict.c svm.o -o svm-predict -lm
svm-train: svm-train.c svm.o
$(CXX) $(CFLAGS) svm-train.c svm.o -o svm-train -lm
svm-scale: svm-scale.c
$(CXX) $(CFLAGS) svm-scale.c -o svm-scale
svm.o: svm.cpp svm.h
$(CXX) $(CFLAGS) -c svm.cpp
clean:
rm -f *~ svm.o svm-train svm-predict svm-scale libsvm.so.$(SHVER)
tags:
ctags --c++-kinds=+p --fields=+iaS --extra=+q -R
下图描述了生成svm-predict和svm-train目标的过程，支持向量机的所有相关的核心代码在svm.cpp中实现，svm_train.c和svm_predict.c中只是提供了训练和预测的主函数接口而已。我们将svm修改移植时只需要仿照svm_train.c或svm_predict.c进行修改就可以了。
2. svm.h中重要数据结构及函数分析（参考README）
大部分函数在头文件“svm.h”，因此在自己的C/C++文件中必须#include "svm.h"，而且
要将svm.cpp一同编译到自己的程序当中。可以参考svm-train.c和svm-predict.c。在
svm.h中定义了LIBSVM_VERSION以及声明了'extern int libsvm_version'。
在对测试数据分类前，需要使用训练数据构建一个'svm_model'，这个模型可以存到文件
中或立即被使用。
- Function: struct svm_model *svm_train(const struct svm_problem *prob,
const struct svm_parameter *param);
This function constructs and returns an SVM model according to
the given training data and parameters.
struct svm_problem
{
int l; // 训练数据的数量
double *y; // 包含标签值的数组
struct svm_node **x; // 指针数组，每一个指针指向一个训练的特征向量
};
比如，数据如下:
LABELATTR1ATTR2ATTR3ATTR4ATTR5
------------------------------
1 0 0.1 0.2 0 0
2 0 0.1 0.3 -1.2 0
1 0.4 0 0 0 0
2 0 0.1 0 1.4 0.5
3-0.1 -0.2 0.1 1.1 0.1
则svm_problem结构体成员的值如下:
l = 5
y -> 1 2 1 2 3
x -> [ ] -> (2,0.1) (3,0.2) (-1,?)
[ ] -> (2,0.1) (3,0.3) (4,-1.2) (-1,?)
[ ] -> (1,0.4) (-1,?)
[ ] -> (2,0.1) (4,1.4) (5,0.5) (-1,?)
[ ] -> (1,-0.1) (2,-0.2) (3,0.1) (4,1.1) (5,0.1) (-1,?)
注意x，其中的(index,value)存储在'svm_node'结构体中：
struct svm_node
{
int index; // 特征向量中非0元素的索引
double value; // 索引值位置对应的特征值
};
index = -1 表示向量的结束。注意，index的值是递增的。
struct svm_parameter 描述了SVM model的参数：
struct svm_parameter
{
int svm_type;
int kernel_type;
int degree; /* for poly */
double gamma; /* for poly/rbf/sigmoid */
double coef0; /* for poly/sigmoid */
/* these are for training only */
double cache_size; /* in MB */
double eps; /* stopping criteria */
double C; /* for C_SVC, EPSILON_SVR, and NU_SVR */
int nr_weight;/* for C_SVC */
int *weight_label;/* for C_SVC */
double* weight;/* for C_SVC */
double nu; /* for NU_SVC, ONE_CLASS, and NU_SVR */
double p; /* for EPSILON_SVR */
int shrinking;/* use the shrinking heuristics */
int probability; /* do probability estimates */
};
svm_type 可以为C_SVC, NU_SVC, ONE_CLASS, EPSILON, NU_SVR.
C_SVC:C-SVM classification
NU_SVC:nu-SVM classification
ONE_CLASS:one-class-SVM
EPSILON_SVR:epsilon-SVM regression
NU_SVR:nu-SVM regression
kernel_type可以为LINEAR, POLY, RBF, SIGMOID.
LINEAR:u'*v
POLY:(gamma*u'*v + coef0)^degree
RBF:exp(-gamma*|u-v|^2)
SIGMOID:tanh(gamma*u'*v + coef0)
PRECOMPUTED: kernel values in training_set_file
注意：在还要使用svm_train返回的svm_model的情况下，不能将svm_problem的内存空间释放，
因为svm_model中含有指向svm_problem结构的指针。
注意：为了避免传入错误的参数，应该在使用svm_train之前使用svm_check_parameter()检验。
svm_model存储了训练过程获得的模型，不建议直接访问该结构体中的实体，而应该使用接口
函数获得结构体中成员的值。
struct svm_model
{
struct svm_parameter param;/* parameter */
int nr_class; /* number of classes, = 2 in regression/one class svm */
int l; /* total #SV */
struct svm_node **SV; /* SVs (SV[l]) */
double **sv_coef;/* coefficients for SVs in decision functions (sv_coef[k-1][l]) */
double *rho; /* constants in decision functions (rho[k*(k-1)/2]) */
double *probA;/* pairwise probability information */
double *probB;
int *sv_indices; /* sv_indices[0,...,nSV-1] are values in [1,...,num_traning_data] to indicate SVs in the training set */
/* for classification only */
int *label; /* label of each class (label[k]) */
int *nSV; /* number of SVs for each class (nSV[k]) */
/* nSV[0] + nSV[1] + ... + nSV[k-1] = l */
/* XXX */
int free_sv; /* 1 if svm_model is created by svm_load_model*/
/* 0 if svm_model is created by svm_train */
};
SV和sv_coef是支持向量和对应的系数。假设有k类，对于第j类中的数据，对应的sv_coef包括
支持向量的系数是一个 (k-1)y*alpha 的向量，比如有4类，则sv_coef和SV如下：
+-+-+-+--------------------+
|1|1|1| |
|v|v|v| SVs from class 1 |
|2|3|4| |
+-+-+-+--------------------+
|1|2|2| |
|v|v|v| SVs from class 2 |
|2|3|4| |
+-+-+-+--------------------+
|1|2|3| |
|v|v|v| SVs from class 3 |
|3|3|4| |
+-+-+-+--------------------+
|1|2|3| |
|v|v|v| SVs from class 4 |
|4|4|4| |
+-+-+-+--------------------+
参考svm_train()，其中给sv_coef赋了值。
rho是平衡项（-b）。probA和probB是用于概率输出的参数。如果有k类，则有k*(k-1)/2
个二元分类问题，按照如下的方式对齐：
1 vs 2, 1 vs 3, ..., 1 vs k, 2 vs 3, ..., 2 vs k, ..., k-1 vs k.
sv_indices[0,...,nSV-1]值在[1,...,num_training_data]范围内，标识训练数据集中的支持向量。
label 包含了训练数据集中的标签。
nSV包含了训练数据集中每类的支持向量数。
free_sv是一个标志，决定是否在free_model_content(struct svm_model*)中
和free_and_destroy_model(struct svm_model**)中将SV的空间释放。如果SV是由svm_train()得到
的，则设置为0，不能释放，如果是通过svm_load_model加载的，则设置为1。
- Function: double svm_predict(const struct svm_model *model,
const struct svm_node *x);
For a classification model, the predicted class for x is returned.
For a regression model, the function value of x calculated using
the model is returned. For an one-class model, +1 or -1 is
returned.
3. svm_train.c的源代码分析
注意，虽然看到的是.c的文件，但里面实际使用了不少C++特有的东西，因此，在后面eclipse移植过程中最好“新建C++”工程。
svm_predict.c的代码分析类似，svm_predict的过程比svm_train更简单。
4. 将LibSVM移植到eclipse IDE的过程
前提要求：配置好的eclipse C/C++环境，或者使用VC环境也一样
移植文件：svm.cpp svm.h svm-train.c
拷贝数据文件：heart_scale
（1）新建C++工程
（2）将“移植文件”拷贝到工程目录并添加到工程
（3）添加命令行参数，eclipse中，在“Run Configurations”的Arguments选项卡中添加heart_scale heart_scale.model。
（4）编译运行结果，与make结果相同
*
optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nSV = 132, nBSV = 107
Total nSV = 132