这个函数有三个参数，其中

-training_instance_matrix:训练样本的特征，如果有m个样本，每个样本特征是n维，则为m x n的矩阵（类型必须为double）。

libsvmtrain函数返回训练好的SVM分类器模型model是一个结构体，包含以下成员：

-s SVM类型（默认0）；

-d 核函数中的degree设置(针对多项式核函数)(默认3)；

-r 核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)

-totalSV: 表示支持向量的总数。

-Label: 表示数据集中类别的标签，比如二分类常见的1和-1。

-ProbB: 使用-b参数时用于概率估计的数值，否则为空。

-sv_coef: 表示每个支持向量在决策函数中的系数。

另外，如果在训练中使用了-v参数进行交叉验证时，返回的不是一个模型，而是交叉验证的分类的正确率或者回归的均方根误差。

网格参数寻优函数(分类问题):SVMcgForClass

输入：

train:训练集，格式要求与svmtrain相同。

gmin,gmax:RBF核参数g的变化范围，即在[2^gmin,2^gmax]范围内寻找最佳的RBF核参数g，默认值为gmin=-8，gmax=8，即默认RBF核参数g的范围是[2^(-8),2^8]。

cstep,gstep:进行参数寻优是c和g的步进大小，即c的取值为2^cmin,2^(cmin+cstep),…,2^cmax,，g的取值为2^gmin,2^(gmin+gstep),…,2^gmax，默认取值为cstep=1,gstep=1。

输出：

bestc:最佳的参数c。

网格参数寻优函数(回归问题):SVMcgForRegress

其输入输出与SVMcgForClass类似，这里不再赘述。

libsvm使用误区：

(2) 如果样本的特征数非常多，那么就不必使用RBF核将样本映射到高维空间。

b) 虽然说RBF核的结果至少比线性核好，前提下搜索整个的空间。

(4) 样本数和特征数都非常多：推荐使用liblinear，更少的时间和内存，可比的准确率。

(5) 样本数>>特征数：如果想使用线性模型，可以使用liblinear，并且使用-s 2参数