首先，一定要先讀完libsvm和libliner的guide。
公司用libsvm做的分類。忙了這麼久了，整理下經驗。（不包含特定領域，涉及到商業機密任何資訊）
svm估計懂些人工智慧的都知道啦。不過除非你是搞科研的，要不我估計你也不會去推導它。。。。太***恐怖了。
其實原理很簡單。就是把不同類的向量在座標系上標點，然後用低一維的形把點線性分開。
如果你不是學術帝，那該想到了一點，就是svm的輸入維數越多越好。這意味著，不需要使用核函式，就可以線性可分。真的要記住這句話，具體的數我不能寫出來。但好好想想，這麼用，就會發現，線性不可分？no。這個世界沒有東西是線性不可分的（做適當預處理）。所以，實際工程中，讓核函式見鬼去吧。那是學術帝們玩的東西。不用核函式，而拓展維度（怎麼拓展，自己想啦），你會發現，速度提高十多倍。。。。精度呢，維度控制好了，也是可以提高不少滴。
台灣的教授哥哥真給力，寫的libsvm和libliner，是福音吶。做大資料的時候，一般得用matlab（當然，你要是硬要用c++也沒人反對，真的慢很多的）。這兩個庫都有matlab介面，用mex編譯下就可以當成matlab函式用了。
使用流程，easy.py不推薦用，先自己用grid.py找c（最重要的引數，guide裡有介紹），用train的-v 5做交叉訓練，得出乙個精度，基本可信的（注意，一般都用-v 5的，經驗資料，效果最好）。然後不用-v，直接訓練出model檔案，然後呼叫predict（都在windows資料夾下），就得出訓練的質量了。
如果你的資料可以拓展的多維，或者本身就有很多維，推薦用libliner（1k維以上），否則libliner的精度不高，但快，秒殺級的快。
其實，把svm看成是黑盒的工具，最重要的反倒不是演算法上怎麼改進，而是你的輸入向量。如果你在相關工作中遇到了精度瓶頸，一定要從輸入向量上入手，切記不要嘗試「改善」演算法。（除非是學術帝）
另外，libsvm有個cuda加速版本。倆字：坑爹。不要用。代價太大，大部分情況下是減速，而不是加速。而且，他只實現了交叉訓練（必須得-v引數），不交叉的話還是呼叫的原程式。
關於grid.py的使用方法，改local_woker部分，具體在libliner的faq上有。（谷歌 libliner grid.py）
還有，libsvm的scale那個應用，盡量不要用。它是整個全體scale的，通常不會滿足你的需求的，不信你研究下，看它揹著你幹了什麼坑爹的事。用libsvmread把資料讀到matlab，然後在matlab裡用mapminmax基本能搞定大部分的scale需求了，libsvmwrite寫入到檔案。對了，mex編譯的時候記得加-largearraydims
VMware License Server使用經驗
近期在測試vmware server，在使用vmware license server的時候碰到一些問題，經過兩天的實驗，問題得以解決，現記錄如下，以供朋友們參考。1 複製license檔案 在安裝vmware virtualcenter的時候，會一同安裝license server伺服器。如果你在...
Django Rest framework使用例項
一 修改配置檔案 setting.py django.contrib.admin django.contrib.auth django.contrib.contenttypes django.contrib.sessions django.contrib.messages django.contri...
Android AlarmManager 使用指南
intent intent new intent intent.setaction updatemgr.check update action 如果你的flag 是flag one shot，那麼你就只能受到一次廣播。如果使用setrepeat，你設定的intervalmills 少於60s,那麼就...