libsvm中svm.h檔案主要定義整個程式要用的結構體svm_node，svm_problem,svm_parameter和一些方法。

1.svm_problem用於儲存本次參加運算的所有樣本（資料集），及其所屬類別。

struct svm_problem
{
	int l;      //記錄樣本總數
	double *y;  //指向樣本所屬類別的陣列。
	struct svm_node **x;  //指向一個儲存內容為指標的陣列
};

如果你的資料的形式如下所示:(libsvm只支援數值型的資料，最後一維表示所屬類別)

125,256,6000,256,16,128,1
29,8000,32000,32,8,32,2
29,8000,32000,32,8,32,3
29,8000,32000,32,8,32,1
29,8000,16000,32,8,16,3

對應的svm_problem的引數：

int l=5，即樣本總數；

double *y ={1.0, 2.0,  3.0, 1.0, 3.0}。

參加多類別計算時，由於使用one-against-one方法，所以參加分類的兩類所對應的y[i]的內容是+1和-1。

很多人在論壇上問如何進行多類別運算，本人在對libsvm的原始碼進行分析，發現svm.cpp中svm_train呼叫svm_group_classes中會計算資料中樣本的類別數，所以，在直接輸入資料後可以自動的進行多類別的分類工作。程式碼如下所示：

for(i=0;i<l;i++)
{
	int this_label = (int)prob->y[i];
	int j;
	for(j=0;j<nr_class;j++)
	{
		if(this_label == label[j])
		{
			++count[j];
			break;
		}
	}
	data_label[i] = j;
	if(j == nr_class)
	{
		if(nr_class == max_nr_class)
		{
			max_nr_class *= 2;
			label = (int *)realloc(label,max_nr_class*sizeof(int));
			count = (int *)realloc(count,max_nr_class*sizeof(int));
		}
		label[nr_class] = this_label;
		count[nr_class] = 1;
		++nr_class;
	}
}
 

struct svm_node **x；

struct svm_node
{
	int index;
	double value;
};

svm_node用於儲存單一向量中的單個特徵，如125,256,6000,256,16,128,1儲存該資料包含7個svm_node:

因此，svm_node **x中儲存了資料，

2.svm_parameters是svm引數設定

enum { C_SVC, NU_SVC, ONE_CLASS, EPSILON_SVR, NU_SVR };/* svm_type */
enum { LINEAR, POLY, RBF, SIGMOID, PRECOMPUTED }; /* kernel_type */

struct svm_parameter

{
	int svm_type; /* svm_type */
	int kernel_type;/* kernel_type */
	int degree;	//poly中的d
	double gamma;	//poly/rbf/sigmoid中的gamma
	double coef0;	//poly/sigmoid中的r

	/* these are for training only */
	double cache_size; /* 訓練所需的記憶體，MB */
	double eps;	
	double C;	//懲罰因子
	int nr_weight;	//權重的數目,目前在例項程式碼中只有兩個值，一個是預設0，另外一個是
svm_binary_svc_probability函式中使用數值2。
	int *weight_label;	//權重，元素個數由nr_weight決定.
	double* weight;		//
	double nu;	/* for NU_SVC, ONE_CLASS, and NU_SVR */
	double p;	/* for EPSILON_SVR */
	int shrinking;	//指明訓練過程是否使用壓縮
	int probability; //是否要做概率估計
};

	int nr_weight;
	int *weight_label;
	double* weight;	

struct svm_model
{
	struct svm_parameter param;	//訓練引數
	int nr_class;		//類別數
	int l;			//支援向量數
	struct svm_node **SV;	//儲存支援向量的指標，至於支援向量的內容，如果是從檔案中讀取，內容會
額外保留；如果是直接訓練得來，則保留在原來的訓練集中。如果訓練完成後需要預報，原來的訓練集記憶體不可以釋放。
	double **sv_coef;	///相當於判別函式中的alpha
	double *rho;		//相當於判別函式中的b
	double *probA;		
	double *probB;

	/* for classification only */

	int *label;		//每類的類標籤
	int *nSV;		//每類的支援向量數 nSV[0] + nSV[1] + ... + nSV[k-1] = l
	int free_sv;		/* 1 if svm_model is created by svm_load_model*/
				/* 0 if svm_model is created by svm_train */
};