答案 0 :(得分：36)
实际上，在libsvm中实现的SMO算法（适用于内核和线性SVM）的复杂性是O（n ^ 2）或O（n ^ 3），而liblinear是O（n）但不支持内核SVM。 n是训练数据集中的样本数。
因此，对于中到大规模，忘记内核并使用liblinear（或者看看近似内核SVM解算器，例如LaSVM）。
编辑：在实践中，libsvm在10k样本时变得非常缓慢。
答案 1 :(得分：10)
SVM是support vector machine，它基本上是一个线性分类器，但是使用许多内核变换预先将非线性问题转化为线性问题。
从上面的链接看，似乎liblinear是非常相同的东西，没有那些内核转换。因此，正如他们所说，在不需要内核转换的情况下（他们提到文档分类），它会更快。
答案 2 :(得分：3)
来自：http://www.csie.ntu.edu.tw/~cjlin/papers/liblinear.pdf
它支持L2正则化逻辑回归（LR），L2损失和L1损失线性支持向量机（SVM）（Boser等，1992）。它继承了流行的SVM库LIBSVM的许多功能
您可能还会从其中一位创作者那里看到一些有用的信息：http://agbs.kyb.tuebingen.mpg.de/km/bb/showthread.php?tid=710
我想说的主要思想是，liblinear是优化的来处理线性分类（即没有必要的内核），而线性分类只是libsvm的众多功能之一，所以逻辑上在分类准确性方面，它可能与liblinear不匹配。显然，我在这里做了一些广泛的概括，关于差异的确切细节可能在我上面链接的文章以及libsvm网站上相应的libsvm用户指南中有所涉及。