libsvm/libliner运用经验
首先，一定要先读完libsvm和libliner的guide。
公司用libsvm做的分类。忙了这么久了，整理下经验。（不包含特定领域，涉及到商业机密任何信息）
svm估计懂些人工智能的都知道啦。不过除非你是搞科研的，要不我估计你也不会去推导它。。。。太tmd恐怖了。
其实原理很简单。就是把不同类的向量在坐标系上标点，然后用低一维的形把点线性分开。
如果你深入研究过一些svm的话，肯定会听说核函数，核函数用在线性不可分时，把点映射到高维空间去，就可分了。（到底可不可分，发明核函数的人也不知道，核函数把向量映射到了什么空间，上帝也不知道。）所以，这里面有个核心思想，就是svm思想是作用在线性可分坐标系的。
如果你不是学术帝，那该想到了一点，就是svm的输入维数越多越好。这意味着，不需要使用核函数，就可以线性可分。真的要记住这句话，具体的数我不能写出来。但好好想想，这么用，就会发现，线性不可分？no。这个世界没有东西是线性不可分的（做适当预处理）。所以，实际工程中，让核函数见鬼去吧。那是学术帝们玩的东西。不用核函数，而拓展维度（怎么拓展，自己想啦），你会发现，速度提高十多倍。。。。精度呢，维度控制好了，也是可以提高不少滴。
*的教授哥哥真给力，写的libsvm和libliner，是福音呐。做大数据的时候，一般得用matlab（当然，你要是硬要用C++也没人反对，真的慢很多的）。这两个库都有matlab接口，用mex编译下就可以当成matlab函数用了。
使用流程，easy.py不推荐用，先自己用grid.py找C（最重要的参数，guide里有介绍），用train的-v 5做交叉训练，得出一个精度，基本可信的（注意，一般都用-v 5的，经验数据，效果最好）。然后不用-v，直接训练出model文件，然后调用predict（都在windows文件夹下），就得出训练的质量了。
如果你的数据可以拓展的多维，或者本身就有很多维，推荐用libliner（1k维以上），否则libliner的精度不高，但快，秒杀级的快。
其实，把svm看成是黑盒的工具，最重要的反倒不是算法上怎么改进，而是你的输入向量。如果你在相关工作中遇到了精度瓶颈，一定要从输入向量上入手，切记不要尝试“改善”算法。（除非是学术帝）
另外，libsvm有个cuda加速版本。俩字：坑爹。不要用。代价太大，大部分情况下是减速，而不是加速。而且，他只实现了交叉训练（必须得-v参数），不交叉的话还是调用的原程序。
关于grid.py的使用方法，改local_woker部分，具体在libliner的FAQ上有。（谷歌 libliner grid.py）
还有，libsvm的scale那个应用，尽量不要用。它是整个全体scale的，通常不会满足你的需求的，不信你研究下，看它背着你干了什么坑爹的事。用libsvmread把数据读到matlab，然后在matlab里用mapminmax基本能搞定大部分的scale需求了，libsvmwrite写入到文件。对了，mex编译的时候记得加-largeArrayDims