1 LIBSVM介绍
LIBSVM是众所周知的支持向量机分类工具包（一些支持向量机（SVM）的开源代码库的链接及其简介），运用方便简单，其中的核函数（常用核函数-Kernel Function）可以自己定义也可以默认。但是对一些大数据来说，有没有非线性映射，他们的性能差不多。如果不使用核，我们可以用线性分类或者回归来训练一个更大的数据集。这些数据往往具有非常高维的特征，例如文本分类Document classification。所以LIBSVM就诞生了。
关于liblinear 和 libSVM的详细介绍及其比较可以参见链接：
2 Libsvm的MATLAB安装步骤
（1）下载安装包：http://download.csdn.net/detail/tiandijun/8136887
我使用的是最新版本liblinear1.95,MATLAB是R2012b.
（2）解压到相应的文件夹，在MATLAB中设置子路径，打开matlab，点击File->SetPath->Add withSubfolders，找到liblinear-1.95matlab所在文件夹，点击save，点击close。
（3）在matlab的command window中输入mex -setup，选择合适的编译器，具体如下：
上图最后的“y”是自己手动输入进去的，表示同意选择编译方式。
（4）输入“2”作为编译环境
确认，输入“y”
结果图如下;
(5)在matlab的command window中输入make，如果正确的话，会如下所示：
同时，可以看到在当前目录下生成下图中的文件
特别是生成train.mexw32和predict.mexw32.
到这一步，Liblinear安装成功。
3 在matlab中测试Liblinear是否能用
model = train(svm_category', sparseTrainMatrix)
[output_label, accuracy] = predict(svm_category', sparseTestMatrix, model);
train中参数：svm_category'为列向量，表示training set的class label，假设为n维
sparseTrainMatrix为n*m维矩阵，n表示training set中样本的个数，m表示每个样本中feature的个数
model的内容为
predict中参数和train中取的类似，本例中直接把training set作为testing set重新预测了一下，model为train中输出的结构体
output_label输出的是testing set的class label的预测值
accuracy是预测准确度
到此结束。（注：具体数据可参考Andrew Ng的CS229课程problem set2的第二题）
具体运行还没有成功，欢迎讨论和指点。