libsvm和liblinear都是國立台灣大學的chih-jen lin博士開發的，libsvm主要是用來進行非線性svm 分類器的生成，提出有一段時間了，而liblinear則是去年才建立的，主要是應對large-scale的data classification，因為linear分類器的訓練比非線性分類器的訓練計算複雜度要低很多，時間也少很多，而且在large scale data上的效能和非線性的分類器效能相當，所以liblinear是針對大資料而生的。
這位網友對libsvm在matlab中的使用說明的很詳細，可以參考下。
有關liblinear和libsvm各自的優勢可以歸納如下：
1.libsvm用來就解決通用典型的分類問題
2.liblinear主要為大規模資料的線性模型設計
以下為一位網友採用liblinear進行資料分類的實驗效能說明「
」今天試用了以下liblinear，速度很快（快到我沒有想到），
我的實驗資料：
訓練集：21504 * 1500（1500是樣本的數量，21504是維度）
測試集：21504 * 2985
速度用秒來衡量，20次實驗總共不到2分鐘。
同樣的問題我用了libsvm實驗速度上相差太大，libsvm實驗5次，每次將近10分鐘，時間是其次，發現乙個問題就是，libsvm比liblinear的結果相差1個百分點，沒有讀liblinear的文章，不知道問題出在那個地方，libsvm我直接用的預設引數，線性模型。這樣必然引起乙個問題，如果我想評價線性模型和非線性模型的效能，我不可能乙個用liblinear乙個用libsvm,如果兩個都用libsvm，報告的效能肯定有一些問題。
所以如果你的問題維度很大（線性模型就有非常好的效能），不妨考慮liblinear. 「
對於什麼時候用線性模型的問題，我想上面的我舉的例子用linear classifier就比較好，非線性分類不一定比線性分類器好，尤其是在樣本及其有限，同時特徵維度很高的情況下，因為樣本有限的情況下，kernel map通常不準確，很有可能錯誤地劃分類別空間，可能造成比線性模型更差的結果。
說到scale，我建議不要用libsvm裡自帶的scale，因為一旦使用這個工具，它就會把原來稀疏的資料，變成非稀疏的格式，這樣不但會生成非常大的資料檔案，而且liblinear對稀疏資料快速處理的優勢就不能體現出來了。因此，要scale，就自己寫乙個，以保持原來稀疏的格式
liblinear的好處就是速度快，尤其是對稀疏的特徵。缺點就是太吃記憶體了。10g的資料量需要接近50g的記憶體，資料量再大就沒法做了 。
另外，還有乙個經常提到的svm庫svm-per：
是康奈爾大學的人設計的。好像對計算機硬體的效能要求比liblinear要低...有做影象處理的人使用這個svm-per代替liblinear。
另外，對於多分類問題以及核函式的選取，以下經驗規則可以借鑑：
對於多分類問題：
對於15類場景來說，每類100幅訓練影象，如果直接訓練乙個15類的multi-class classifier，則訓練檔案的label值取1～15，wi標記不用指定（default 1）。如果對於每個類單獨訓練乙個分類器，這樣就把這個類的100幅影象作為正樣本（假設label=1），而其餘所有的訓練影象作為負樣本（共1400幅，假設label=-1），由此可以看出正負樣本不平
Libsvm和Liblinear的比較
libsvm和liblinear都是國立台灣大學的chih jen lin博士開發的，libsvm主要是用來進行非線性svm 分類器的生成，提出有一段時間了，而liblinear則是去年才建立的，主要是應對large scale的data classification，因為linear分類器的訓練比...
Libsvm和Liblinear的使用經驗談
libsvm和liblinear都是國立台灣大學的chih jen lin博士開發的，libsvm主要是用來進行非線性svm 分類器的生成，提出有一段時間了，而liblinear則是去年才建立的，主要是應對large scale的data classification，因為linear分類器的訓練比...
Libsvm使用總結
libsvm使用心得 分類，回歸 libsvm是實現svm的便捷開源工具，應用廣泛 除此之外還有lightsvm，沒用過 由國立台灣大學chih chung chang和 chih jen lin編寫，可以實現基於svm的分類和回歸。由於個人對svm的理論只是 略懂 下面只介紹libsvm在win3...