題主的問題一是如何使用LIBSVM工具，二是對模式識別、機器學習中的一些概念不清楚。下面以matlab版libsvm為例：訓練命令：model = svmtrain(train_label, train_data, ["libsvm_options"]);測試命令：[predict_label, accuracy, dec_values] = svmpredict(test_label, test_data, model); 0. “使用svm-train訓練完成後，將一行資料作為測試樣本，執行svm-predict。測試資料的首位label值我是隨意寫的，結果predict出來一個accuracy=0% （0/1），如果我修改首位label值為訓練樣本中的某類別編號，則accuracy=100% （1/1）。”首先， 如果測試樣本的label在訓練樣本里沒出現過，那accuracy肯定是0. 想想這個類別之前都沒訓練學習過，機器怎麼可能把它預測出來。其次，用訓練樣本當作測試樣本，這個意義不大。即使在訓練樣本上測試的結果是100%，這也並不說明問題，更可能的是過擬合。1. “我想要知道單個測試樣本最有可能屬於哪一個類別（訓練時用的是多類別分類），該如何做？”單個樣本預測的類別，就是上述測試命令中的返回值predict_label，它是一個列向量，第i個元素代表第i個測試樣本的預測類別。2. “我看見不少人在訓練完成後，用另一個樣本集做predict，返回一個介於0%和100%之間的accuracy值。我想這個值只能解釋為測試樣本中正確的類別編號所佔的百分比，但這又有何意義？這個accuracy到底是什麼意義？”這個accuracy非常有意義。想想你訓練了一個模型，如何評價這個模型的好壞？當然是找一組新的測試資料來進行預測，如果預測的準確率非常高，100%，那說明之前訓練的模型是比較好的。當然前提是測試樣本也要足夠多。
題主的問題一是如何使用LIBSVM工具，二是對模式識別、機器學習中的一些概念不清楚。下面以matlab版libsvm為例：訓練命令：model = svmtrain(train_label, train_data, ["libsvm_options"]);測試命令：[predict_label, accuracy, dec_values] = svmpredict(test_label, test_data, model); 0. “使用svm-train訓練完成後，將一行資料作為測試樣本，執行svm-predict。測試資料的首位label值我是隨意寫的，結果predict出來一個accuracy=0% （0/1），如果我修改首位label值為訓練樣本中的某類別編號，則accuracy=100% （1/1）。”首先， 如果測試樣本的label在訓練樣本里沒出現過，那accuracy肯定是0. 想想這個類別之前都沒訓練學習過，機器怎麼可能把它預測出來。其次，用訓練樣本當作測試樣本，這個意義不大。即使在訓練樣本上測試的結果是100%，這也並不說明問題，更可能的是過擬合。1. “我想要知道單個測試樣本最有可能屬於哪一個類別（訓練時用的是多類別分類），該如何做？”單個樣本預測的類別，就是上述測試命令中的返回值predict_label，它是一個列向量，第i個元素代表第i個測試樣本的預測類別。2. “我看見不少人在訓練完成後，用另一個樣本集做predict，返回一個介於0%和100%之間的accuracy值。我想這個值只能解釋為測試樣本中正確的類別編號所佔的百分比，但這又有何意義？這個accuracy到底是什麼意義？”這個accuracy非常有意義。想想你訓練了一個模型，如何評價這個模型的好壞？當然是找一組新的測試資料來進行預測，如果預測的準確率非常高，100%，那說明之前訓練的模型是比較好的。當然前提是測試樣本也要足夠多。