Python中常用的SVM包有由台湾大学林智仁老师开发的LIBSVM和LIBLINEAR以及sklearn中的SVM库等。其中，sklearn中的SVM库的底层计算采用LIBSVM和LIBLINEAR来实现，模块sklearn.svm.SVC和sklearn.svm.LinearSVC分别对应着LIBSVM和LIBLINEAR。所以在应用上，这些工具具有很多相似之处，当需要查找一些细节内容时，可以参考LIBSVM和LIBLINEAR文档。
LIBSVM和LIBLINEAR是两个不同的包，需要分别进行下载和安装。LIBSVM实现了整套的SVM模型，包括使用核函数来训练非线性分类SVM，也包括训练线性分类SVM。LIBLINEAR只针对线性分类场景，支持线性SVM和逻辑回归（Logistic Regression）模型，无法通过定义核函数实现非线性分类器。但是LIBLINEAR针对线性分类进行了优化，在线性分类应用中，效率要比LIBSVM高许多。当样本数据量在10万规模以上时，如果LIBSVM处理的效果变差，就要考虑想办法用LIBLINEAR模型或者换其他机器学习算法了。
SVM的应用过程一般如下：
（1）将数据转换为SVM包使用的格式，包括将分类属性转换为数值属性；
（2）对数据进行预处理，比如进行标准化或归一化处理；
（3）优先考虑使用RBF核函数；(www.xing528.com)
（4）使用交叉验证找到最佳参数C和γ；
（5）使用最佳参数C和γ重新训练整个训练数据集，再重新测试。
在SVM数据格式方面，对于sklearn来说，样本数据支持稠密和稀疏两种输入形式：稠密数据直接使用numpy.ndarray或用numpy.asarray，以numpy的数组形式输入；稀疏数据格式则使用scipy.sparse。稀疏数据是指数据元素中大部分都是0的数据。这样的数据在存储时，为了提高效率，会使用特殊的格式。scipy.sparse模块专门用于处理稀疏数据存储问题。采用CSV（comma-separated values）数据格式的数据，可以当作文本文件读入，通过Python切片操作获取其中需要的内容。
sklearn中的SVM包括分类、回归和异常值检测几个部分。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
